我有一个大数据框。我想将它们转换为适当的数据类型。 问题是在几个数字列中有字符串。我知道
convert_dtypes
和to_numeric
。
convert_dtypes
的问题在于,一旦存在字符串,它不会立即将列推断为 int/float;而是将其推断为 int/float。另一方面,to_numeric
具有“强制”功能,可将所有无效示例变为 nan。to_numeric
的问题是有几个列是字符串,所以我不能只在所有列上运行它。所以我正在寻找一个函数,如果其中存在一定百分比的数值,则将数据类型转换为数字。如果可以为此设置阈值,那就太好了。
(如前所述,数据集很大,所以我更喜欢一些自动处理所有列的解决方案。)
使用自定义函数将列转换为数字,如果匹配条件则返回数字列,否则返回原始列
DataFrame.apply
:
print (df)
a b c d e
0 1 5 4 3 8
1 7 8 9 f 9
2 c c g g 4
3 4 t r e 4
def f(x, thresh):
y = pd.to_numeric(x, errors='coerce')
return y if y.notna().mean() > thresh else x
thresh = 0.7
df1 = df.apply(f, args= (thresh,))
print (df1)
a b c d e
0 1.0 5 4 3 8
1 7.0 8 9 f 9
2 NaN c g g 4
3 4.0 t r e 4
print (df1.dtypes)
a float64
b object
c object
d object
e int64
dtype: object
带有缺失值的修改解决方案(如果存在):
print (df)
a b c d e
0 1 5 4 3 8
1 7 8 NaN f 9
2 c c NaN g 4
3 4 t r e 4
def f(x, thresh):
y = pd.to_numeric(x, errors='coerce')
return y if (y.notna() | x.isna()).mean() > thresh else x
thresh = 0.7
df1 = df.apply(f, args= (thresh,))
print (df1)
a b c d e
0 1.0 5 4.0 3 8
1 7.0 8 NaN f 9
2 NaN c NaN g 4
3 4.0 t NaN e 4
print (df1.dtypes)
a float64
b object
c float64
d object
e int64
dtype: object