如何求解数据框到_numeric错误（Python）？

Question

i有包含浮点数的数据框。我想将数字操作作为总和多。 ETC。 。 列类型是对象。因此，我必须将此列更改为数字列。 我使用to_numeric函数，但结果给了我nan。

我如何解决这个问题？

代码：

#import libraries
import pandas as pd

data = pd.read_csv('file.csv', engine='python', delimiter=';')

#change object columns into a numeric columnn
for i in data.columns :
    data[i] = pd.to_numeric(data[i], errors='coerce')

dataframe

t0 (actual) t0  t0,lower    t0,upper
0   11861,6318726842    0   0   0
1   4761,43316  5709,1728515625 3776,725188260803   7939,908970830105
2   36,22841951973635   0   0   0
3   583,3716479196096   0   0   0
4   25087,16436661841   26040,7890625   21825,20941707611   31905,394350044822
....

恢复：

    t0 (actual) t0  t0,lower    t0,upper
0   NaN NaN NaN NaN
1   NaN NaN NaN NaN
2   NaN NaN NaN NaN
3   NaN NaN NaN NaN
4   NaN NaN NaN NaN

我不能复制您的错误，但是我认为您可以添加

decimal=","

Answer 1

docs

：

decimal：str，默认'.'

识别小数点的特征（例如，将“”用于欧洲数据）。

因此，您的代码看起来像这样： pd.read_csv

如果您从

#import libraries
import pandas as pd

data = pd.read_csv('file.csv', engine='python', delimiter=';', decimal=",")

#change object columns into a numeric columnn
for i in data.columns :
    data[i] = pd.to_numeric(data[i], errors='coerce')

更改为

errors

，您将看到

coerce

无法将这些值转换为数值数据类型。这是因为它不将

Answer 2

识别为小数分离器（默认情况下，它是

pandas

）。这意味着拥有

,

将用

.

替换这些值。

，如果看来，您正在尝试在从

errors = 'coerce'

文件中读取这些值后立即转换这些值，则应指定

NaN

调用中使用的小数分离器。那么您将无需手动转换值。

.csv

但是，如果这些值来自您的脚本，则需要在字符串值中替换

read_csv

值：data = pd.read_csv('file.csv', engine='python', delimiter=';', decimal = ',')

＃导入numpy，因为它较早缺少

Importnumpy asnp

＃重新运行日志转换和回归＃＃将“ hutpay”转换为数字，将错误迫使NAN

DF['HURPAY'] = pd.to_numeric（df ['hourpay']，errors ='coerce'）

＃步骤1（修订）：丢失，零或负工资

df= df [df ['hourpay']> 0]＃创建日志（工资）

Answer 3

df['log_wage'] = np.log（df ['hurepay']）

＃步骤2：母亲假人：1如果有19，0下的受抚养孩子，否则

DF['MATHORHOOD'] = DF ['FDPCH19']。应用（lambda x：1 If x> 0 else 0 0）

＃步骤3：转换分类变量

df['ducuntor'] = df ['degcls7']

df['sutiveation'] = df ['uction_group']。astype（'cattory'）

df['worktype'] = df ['ftpt']。astype（'cattory'）

＃步骤4：体验近似（按年龄代理）

df['axperience'] = df ['age']

＃步骤5：回归公式

Formula='log_wage〜母性 + C（教育） +经验 + C（职业） + C（worktype）'

＃步骤6：使用可靠的标准错误运行OLS回归

model= smf.ols（公式，data = df）.fit（cov_type ='hc1'）

＃显示回归结果

Model.summary（）