Pandas 转成整型

1. 引言

在进行数据分析和处理时，Pandas 是一个非常强大和常用的工具。然而，有时我们可能需要将一些数据从 Pandas 数据帧（DataFrame）中转换为整型数据类型。本文将介绍如何使用 Pandas 将数据转换为整型。

在开始之前，让我们先简单了解一下 Pandas 的 DataFrame。DataFrame 是 Pandas 中最常用的数据结构之一，类似于一个二维表格，它有列和行，每个列可以是不同的数据类型。我们可以将 DataFrame 看作是一个强大的、灵活的数据容器，其中每一列可以表示一个特征或者属性。

我们首先来创建一个示例的 Pandas 数据帧，以便后续操作。在本例中，我们创建一个包含姓名和年龄的数据帧。

import pandas as pd

data = {'姓名': ['张三', '李四', '王五'],
        '年龄': [20.5, 25.3, 30.1]}

df = pd.DataFrame(data)
print(df)

输出如下所示：

   姓名    年龄
0  张三  20.5
1  李四  25.3
2  王五  30.1

现在我们将介绍如何将数据转换为整型数据类型。在本例中，我们将年龄列的数据转换为整型。

df['年龄'] = df['年龄'].astype(int)
print(df)

输出如下所示：

   姓名  年龄
0  张三  20
1  李四  25
2  王五  30

通过使用 astype() 函数，我们可以将指定列的数据类型转换为整型。在上面的代码中，我们将 ‘年龄’ 列的数据类型转换为了整型，并且输出了转换后的数据帧。可以看到，’年龄’ 列的浮点数值被转换为了整数。

在将数据转换为整型时，可能会遇到一些错误。例如，如果某些值不可转换为整型，就会引发 ValueError 错误。为了避免这种情况，我们可以使用 to_numeric() 函数，将无法转换的值转换为 NaN（缺失值）。

df['年龄'] = pd.to_numeric(df['年龄'], errors='coerce').astype('Int64')
print(df)

输出如下所示：

   姓名    年龄
0  张三   20
1  李四   25
2  王五   30

在上面的代码中，我们使用了 to_numeric() 函数将 ‘年龄’ 列的数据转换为数字，同时将无法转换的值转换为 NaN。然后，使用 .astype('Int64') 将 NaN 值转换为整型。

本文详细介绍了如何使用 Pandas 将数据转换为整型数据类型。通过示例代码，我们展示了如何创建一个简单的数据帧，并将其某列的数据转换为整型。我们还讨论了可能遇到的错误，并给出了相应的解决方法。