4534534
Pandas 数据类型学习目标了解Numpy的特点应用Pandas 数据类型转换掌握Pandas 分类数据类型使用方法1 Pandas数据类型简介1.1 Numpy 介绍Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。Numpy使
·
Pandas 数据类型
学习目标
- 了解Numpy的特点
- 应用Pandas 数据类型转换
- 掌握Pandas 分类数据类型使用方法
1 Pandas数据类型简介
1.1 Numpy 介绍
-
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
-
比如我们现在对下面表格中的数据用numpy的ndarray类型来存储
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oVFJiQ7z-1631066937669)(img\score.png)]
import numpy as np
# 创建ndarray
score = np.array([
[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]
])
print(score)
print(type(score))
# 输出结果如下
[[80 89 86 67 79]
[78 97 89 67 81]
[90 94 78 67 74]
[91 91 90 67 69]
[76 87 75 67 86]
[70 79 84 67 84]
[94 92 93 67 64]
[86 85 83 67 80]]
<class 'numpy.ndarray'>
- 使用Python列表可以存储一维数组，通过列表的嵌套可以实现多维数组，那么为什么还需要使用Numpy的ndarray呢？我们来做一个ndarray与Python原生list运算效率对比，运行下边的代码
import random
import time
import numpy as np
a = []
for i in range(1000000):
a.append(random.random())
t1 = time.time()
sum1=sum(a)
t2=time.time()
b=np.array(a)
t4=time.time()
sum3=np.sum(b)
t5=time.time()
print(t2-t1, t5-t4)
if t2-t1 < t5-t4:
print('python的原生数据类型运算速度快')
elif t2-t1 > t5-t4:
print('numpy的数据类型运算速度更快')
else:
print('二者一样快')
- 对相同的数据进行求和计算，t2-t1为使用python自带的求和函数消耗的时间，t5-t4为使用numpy求和消耗的时间，输出结果如下，从结果中看到ndarray的计算速度要快很多，节约了时间，注意：运行的时间结果不一定和下面的结果一致
0.003989696502685547 0.0009980201721191406
numpy的数据类型运算速度更快
- Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。
Numpy ndarray的优势
数据在内存中存储的风格
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nGsPgLKN-1631066937671)(img\numpy内存地址.png)]
- ndarray在存储数据时所有元素的类型都是相同的，数据内存地址是连续的，批量操作数组元素时速度更快
- python原生list只能通过寻址方式找到下一个元素，这虽然也导致了在通用性方面Numpy的ndarray不及Python原生list，但计算的时候速度就慢了
ndarray支持并行化运算
Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，可以利用CPU的多核心进行运算，效率远高于纯Python代码
1.2 Numpy的ndarray
1.2.1 ndarray的属性
- ndarray的属性清单
| 属性名字 | 属性解释 |
|---|---|
| ndarray.shape | 数组维度的元组 |
| ndarray.ndim | 数组维数 |
| ndarray.size | 数组中的元素数量 |
| ndarray.itemsize | 一个数组元素的长度（字节） |
| ndarray.dtype | 数组元素的类型 |
1.2.2 ndarray的类型
- 下表为ndarray的全部数据类型；最常用的类型是布尔和int64，其他只要了解就好
| 名称 | 描述 | 简写 |
|---|---|---|
| np.bool | 用一个字节存储的布尔类型（True或False） | ‘b’ |
| np.int8 | 一个字节大小，-128 至 127 | ‘i’ |
| np.int16 | 整数，-32768 至 32767 | ‘i2’ |
| np.int32 | 整数，-2的31次方 至 2的32次方 -1 | ‘i4’ |
| np.int64 | 整数，-2的63次方 至 2的63次方 - 1 | ‘i8’ |
| np.uint8 | 无符号整数，0 至 255 | ‘u’ |
| np.uint16 | 无符号整数，0 至 65535 | ‘u2’ |
| np.uint32 | 无符号整数，0 至 2的32次方 - 1 | ‘u4’ |
| np.uint64 | 无符号整数，0 至 2的64次方 - 1 | ‘u8’ |
| np.float16 | 半精度浮点数：16位，正负号1位，指数5位，精度10位 | ‘f2’ |
| np.float32 | 单精度浮点数：32位，正负号1位，指数8位，精度23位 | ‘f4’ |
| np.float64 | 双精度浮点数：64位，正负号1位，指数11位，精度52位 | ‘f8’ |
| np.complex64 | 复数，分别用两个32位浮点数表示实部和虚部 | ‘c8’ |
| np.complex128 | 复数，分别用两个64位浮点数表示实部和虚部 | ‘c16’ |
| np.object_ | python对象 | ‘O’ |
| np.string_ | 字符串 | ‘S’ |
| np.unicode_ | unicode类型 |
- 创建数组的时候指定类型
a = np.array([[1, 2, 3],[4, 5, 6]], dtype=np.float32)
a.dtype # 查看ndarray类型
# 输出结果如下
dtype('float32')
1.3 Pandas的数据类型
- Pandas 是基于Numpy的，很多功能都依赖于Numpy的ndarray实现的，Pandas的数据类型很多与Numpy类似，属性也有很多类似；比如pandas数据中的NaN就是numpy.nan。
- 下图中为Pandas的数据类型清单，其中Categoricals 我们之前的学习中没有见过的：
- Categoricals 是由固定的且有限数量的变量组成的。比如：性别、社会阶层、血型、国籍、观察时段、赞美程度等等。
- categorical 类型的数据可以具有特定的顺序——比如：性别分为男、女，血型ABO；我们会在本章节的最后来了解这种数据类型。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-k80LL9oT-1631066937672)(img\dtype.jpg)]
- 我们以seaborn包中自带的tips数据集为例，具体来查看数据类型
import seaborn as sns
# seaborn包依赖于Pandas，加载名为tips的数据集，这里只是给大家展示pandas的数据类型
tips = sns.load_dataset('tips', data_home="data/seaborn-data")
print(tips.dtypes)
tips.head()
# 输出结果如下图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DcnaByhI-1631066937674)(./img/数据类型-01.png)]
2 类型转换
2.1 转换为字符串对象
- 在上面的tips数据中，sex、smoker、day 和 time 变量都是category类型。通常，如果变量不是数值类型，应先将其转换成字符串类型以便后续处理
- 有些数据集中可能含有id列，id的值虽然是数字，但对id进行计算（求和，求平均等）没有任何意义，在某些情况下，可能需要把它们转换为字符串对象类型。
- 把一列的数据类型转换为字符串，可以使用astype方法。
tips['sex_str'] = tips['sex'].astype(str)
print(tips.dtypes)
tips.head()
# 输出结果如下图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DD4Vfoa4-1631066937675)(./img/数据类型-02.png)]
2.2 转换为数值类型
2.2.1 astype函数
- astype方法是通用函数，可用于把DataFrame中的任何列转换为其他dtype
- 可以向astype方法提供任何内置类型或numpy类型来转换列的数据类型
- 为了演示效果，先把
total_bill列转为object/str类型
#把total_bill转换为str类型
tips['total_bill'] = tips['total_bill'].astype(str)
tips.dtypes
# 输出结果如下
total_bill object
tip float64
sex category
smoker category
day category
time category
size int64
sex_str object
dtype: object
- 再把
object/str类型的total_bill列转为float64/float
#把total_bill转换回float类型
tips['total_bill'] = tips['total_bill'].astype(float)
tips.dtypes
# 输出结果如下
total_bill float64
tip float64
sex category
smoker category
day category
time category
size int64
sex_str object
dtype: object
2.2.2 to_numeric函数
- 如果想把变量转换为数值类型（int，float），还可以使用pandas的to_numeric函数
- astype函数要求DataFrame每一列的数据类型必须相同，当有些数据中有缺失，但不是NaN时（如’missing’,'null’等），会使整列数据变成字符串类型而不是数值型，这个时候可以使用to_numeric处理
- 抽取部分数据，人为制造’missing’作为缺失值的df数据
#创造包含'missing'为缺失值的数据
tips_sub_miss = tips.head(10)
# 批量替换1、3、5、7行中total_bill列的值为字符串'missing'
tips_sub_miss.loc[[1,3,5,7],'total_bill'] = 'missing'
tips_sub_miss
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8KRQbyyv-1631066937676)(./img/数据类型-03.png)]
- 此时total_bill列变成了字符串对象类型
#查看数据类型 dtypes 会发现total_bill列变成了字符串对象类型
tips_sub_miss.dtypes
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EON7Zxe3-1631066937678)(./img/数据类型-04.png)]
- 这时使用astype方法把total_bill 列转换回float类型,会抛错, Pandas 无法把’missing’转换成float
tips_sub_miss['total_bill'].astype(float)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MN0Kbnhe-1631066937678)(./img/数据类型-05.png)]
- 如果使用Pandas库中的to_numeric函数进行转换,也会得到类似的错误
import pandas as pd
pd.to_numeric(tips_sub_miss['total_bill'])
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Wz7zH17J-1631066937679)(./img/数据类型-06.png)]
- to_numeric函数有一个参数errors, 它决定了当该函数遇到无法转换的数值时该如何处理
- 默认情况下,该值为raise,如果to_numeric遇到无法转换的值时,会抛错
- coerce: 如果to_numeric遇到无法转换的值时,会返回NaN
- ignore: 如果to_numeric遇到无法转换的值时会放弃转换,什么都不做
pd.to_numeric(tips_sub_miss['total_bill'], errors='coerce') # 单独运行
pd.to_numeric(tips_sub_miss['total_bill'], errors='ignore') # 单独运行
# 输出结果如下图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-j6yOFgtz-1631066937680)(./img/数据类型-07.png)]
- to_numeric函数还有一个downcast参数, 默认是none，接受的参数值为
integer、signed、float、unsigned：- 如果设置了某一类型的数据，那么pandas会将原始数据转为能存储的最小子型态。
- 如float的子型态有float16，float32，float64，所以设置了downcast=float，则会将数据转为能够以较少bytes去存储一个浮点数的float16。
- 另外，downcast参数和errors参数是分开的，如果downcast过程中出错，即使errors设置为ignore也会抛出异常。
# downcast参数设置为float之后, total_bill的数据类型由float64变为float32
pd.to_numeric(tips_sub_miss['total_bill'], errors='coerce', downcast='float')
# 输出结果如下
0 16.99
1 NaN
2 21.01
3 NaN
4 24.59
5 NaN
6 8.77
7 NaN
8 15.04
9 14.78
Name: total_bill, dtype: float32
- 从上面的结果看出,转换之后的数据类型为float32, 意味着占用的内存更小了
3 分类数据类型category
在本章的1.3小节我们知道，Pandas 有一种数据类型
category，用于对分类值进行编码
3.1 category类型转换
category转换为object/str
tips['sex'] = tips['sex'].astype('str')
tips.info()
# 输出结果如下
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 244 entries, 0 to 243
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 total_bill 244 non-null float64
1 tip 244 non-null float64
2 sex 244 non-null object
3 smoker 244 non-null category
4 day 244 non-null category
5 time 244 non-null category
6 size 244 non-null int64
7 sex_str 244 non-null object
dtypes: category(3), float64(2), int64(1), object(2)
memory usage: 10.7+ KB
object/str转换为category
tips['sex'] = tips['sex'].astype('category')
tips.info()
# 输出结果如下
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 244 entries, 0 to 243
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 total_bill 244 non-null float64
1 tip 244 non-null float64
2 sex 244 non-null category
3 smoker 244 non-null category
4 day 244 non-null category
5 time 244 non-null category
6 size 244 non-null int64
7 sex_str 244 non-null object
dtypes: category(4), float64(2), int64(1), object(1)
memory usage: 9.2+ KB
3.2 深入category数据类型
Categoricals 是由固定的且有限数量的变量组成的，比如：性别
- 通过
pd.Categorical创建category类型数据，同时categories指定可选项,类别分为哪几种,没有的类别用NaN来替换
s = pd.Series(
pd.Categorical(
["a", "b", "c", "d"],
categories=["c", "b", "a"]
)
)
s
# 输出结果如下
0 a
1 b
2 c
3 NaN
dtype: category
Categories (3, object): ['c', 'b', 'a']
- 通过
dtype参数创建category类型数据
series_cat = pd.Series(['B','D','C','A'], dtype='category')
series_cat
# 输出结果如下
0 B
1 D
2 C
3 A
dtype: category
Categories (4, object): ['A', 'B', 'C', 'D']
- 此时对数据进行排序
series_cat.sort_values()
# 输出结果如下
3 A
0 B
2 C
1 D
dtype: category
Categories (4, object): ['A', 'B', 'C', 'D']
- 通过
CategoricalDtype指定category数据的类型顺序
from pandas.api.types import CategoricalDtype
# 构造category数据类型的顺序对象
cat = CategoricalDtype(categories=['B','D','A','C'], ordered=True)
# 将category数据类型的顺序对象赋予series_cat这个数据
series_cat1 = series_cat.astype(cat)
# 打印输出对比
print(series_cat)
print('='*10)
print(series_cat.sort_values())
print('='*10)
print(series_cat1)
print('='*10)
print(series_cat1.sort_values())
# 输出结果如下图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JU7AH6sd-1631066937681)(./img/数据类型-08.png)]
- 想要临时修改排序规则，可以使用
categories类型的series对象.cat.reorder_categories()方法：
print(series_cat)
print('='*10)
series_cat.cat.reorder_categories(
['D','B','C','A'], # 重新设定类型值
ordered=True, # 设定有顺序
inplace=True # inplace参数设置为True，让本次设定生效，变动覆盖原数据
)
print(series_cat)
print('='*10)
print(series_cat.sort_values())
# 输出结果如下图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RurRFan9-1631066937682)(./img/数据类型-09.png)]
小结
- Numpy的特点
- Numpy是一个高效科学计算库，Pandas的数据计算功能是对Numpy的封装
- ndarray是Numpy的基本数据结构，Pandas的Series和DataFrame好多函数和属性都与ndarray一样
- Numpy的计算效率比原生Python效率高很多，并且支持并行计算
- Pandas 数据类型转换
- Pandas除了数值型的int 和 float类型外，还有object ，category，bool，datetime类型
- 可以通过as_type 和 to_numeric 函数进行数据类型转换
- Pandas 分类数据类型
- category类型，可以用来进行排序，并且可以自定义排序顺序
- CategoricalDtype可以用来定义顺序
瓜分20万奖金 获得内推名额 丰厚实物奖励 易参与易上手
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)