pandas.DataFrame.astype#

DataFrame.astype(dtype, copy=<no_default>, errors='raise')[源代码]#

将 pandas 对象强制转换为指定的数据类型 dtype。

此方法允许将 pandas 对象（包括 DataFrame 和 Series）的数据类型转换为指定的数据类型。它支持将整个对象强制转换为单一数据类型，或使用映射将不同的数据类型应用于各个列。

参数:
dtypestr, data type, Series 或 Mapping of column name -> data type

使用字符串、numpy.dtype、pandas.ExtensionDtype 或 Python 类型将整个 pandas 对象强制转换为相同的类型。或者，使用映射，例如 {col: dtype, …}，其中 col 是列标签，dtype 是 numpy.dtype 或 Python 类型，用于将 DataFrame 的一个或多个列强制转换为特定于列的类型。

copybool，默认值 False

此关键字已被忽略；更改其值将不会影响方法。

已弃用，版本 3.0.0: 此关键字已被忽略，并将在 pandas 4.0 中删除。自 pandas 3.0 起，此方法始终返回一个新对象，并使用延迟复制机制，该机制会推迟复制直到必要时（写时复制）。有关更多详细信息，请参阅关于写时复制的用户指南。

errors{‘raise’, ‘ignore’}, 默认 ‘raise’

控制在提供的数据类型无效时是否引发异常。

  • raise : 允许引发异常

  • ignore : 抑制异常。发生错误时返回原始对象。

返回:
与调用者相同的类型

已强制转换为指定 dtype 的 pandas 对象。

另请参阅

to_datetime

将参数转换为 datetime。

to_timedelta

将参数转换为 timedelta。

to_numeric

将参数转换为数值类型。

numpy.ndarray.astype

将 numpy 数组转换为指定类型。

注意

版本 2.0.0 中已更改： 使用 astype 从时区无关的 dtype 转换为时区感知的 dtype 将引发异常。请改用 Series.dt.tz_localize()。

示例

创建 DataFrame

>>> d = {"col1": [1, 2], "col2": [3, 4]}
>>> df = pd.DataFrame(data=d)
>>> df.dtypes
col1    int64
col2    int64
dtype: object

将所有列转换为 int32

>>> df.astype("int32").dtypes
col1    int32
col2    int32
dtype: object

使用字典将 col1 转换为 int32

>>> df.astype({"col1": "int32"}).dtypes
col1    int32
col2    int64
dtype: object

创建 Series

>>> ser = pd.Series([1, 2], dtype="int32")
>>> ser
0    1
1    2
dtype: int32
>>> ser.astype("int64")
0    1
1    2
dtype: int64

转换为分类类型

>>> ser.astype("category")
0    1
1    2
dtype: category
Categories (2, int32): [1, 2]

转换为具有自定义顺序的有序分类类型

>>> from pandas.api.types import CategoricalDtype
>>> cat_dtype = CategoricalDtype(categories=[2, 1], ordered=True)
>>> ser.astype(cat_dtype)
0    1
1    2
dtype: category
Categories (2, int64): [2 < 1]

创建日期 Series

>>> ser_date = pd.Series(pd.date_range("20200101", periods=3))
>>> ser_date
0   2020-01-01
1   2020-01-02
2   2020-01-03
dtype: datetime64[us]
本页内容