Question

我有一个看起来像这样的json文件：

[{"A": 0, "B": "x"}, {"A": 1, "B": "y", "C": 0}, {"A": 2, "B": "z", "C": 1}]

由于“ C”列包含NaN值（第一行），因此熊猫自动推断其dtype为“ float64”：

>>> pd.read_json(path).C.dtype
dtype('float64')

但是，我希望“ C”列的dtype为“ Int32”。 pd.read_json(path, dtype={"C": "Int32"})不起作用：

>>> pd.read_json(path, dtype={"C": "Int32"}).C.dtype
dtype('float64')

相反，pd.read_json(path).astype({"C": "Int32"})可以工作：

>>> pd.read_json(path).astype({"C": "Int32"}).C.dtype
Int32Dtype()

为什么会这样？如何仅使用pd.read_json函数设置正确的dtype？

Answer 1

原因在this code section中：

        dtype = (
            self.dtype.get(name) if isinstance(self.dtype, dict) else self.dtype
        )
        if dtype is not None:
            try:
                dtype = np.dtype(dtype)
                return data.astype(dtype), True
            except (TypeError, ValueError):
                return data, False

它将'Int32'转换为numpy.int32，然后在尝试将整个列（数组）转换为这种类型时导致值错误（无法将非有限值（NA或inf）转换为整数）。因此，原始（未转换的）数据将在异常块中返回。
我想这是熊猫中的某种错误，至少该行为没有正确记录。

另一方面，

astype的工作方式不同：applies 'astype'在系列上是extension type，因此可以创建混合类型的列。

足够有趣的是，当直接指定downloads page pd.Int32Dtype()（而不是其字符串别名'Int32'）时，乍一看便可以得到所需的结果，但是如果您查看这些类型他们仍然是浮游生物：

df = pd.read_json(json, dtype={"C": pd.Int32Dtype})
print(df)
#   A  B    C
#0  0  x  NaN
#1  1  y    0
#2  2  z    1
print(df.C.map(type))
#0    <class 'float'>
#1    <class 'float'>
#2    <class 'float'>
#Name: C, dtype: object

为进行比较：

print(df.C.astype('Int32').map(type))
#0    <class 'pandas._libs.missing.NAType'>
#1                            <class 'int'>
#2                            <class 'int'>
#Name: C, dtype: object

带有熊猫read_json的列dtype

1 个答案: