我红色了有关欧盟到美国十进制标记转换的邮件，这些帮助很大，但我仍然觉得需要专家的一些帮助..我的数据来自 ERP 系统，其数字格式为“1'000” '000,32”，我想简单地转换成“1000000.32”之类的东西，以便在 Pandas 中进一步处理。
我从欧盟开始获取美国格式的实际解决方案如下：
...
# read_csv and merge, clean .. different CSV files
# result = merge (some_DataFrame_EU_format, ...)
...
result.to_csv(path, sep';')
result = read_csv(path, sep';', converters={'column_name': lambda x: float(x.replace ('.','').replace(',','.'))})
....
result.to_csv(path, sep';')
我感觉这是一种用 '.' 更改 ',' 的缓慢方法。由于 read_csv 和 to_csv （以及磁盘..），所以愿意直接在 DataFrame 上尝试 .replace 方法以节省一些处理时间。
我最初的尝试是类似于下面的内容（我在论坛上的其他地方红色..）：
result['column_name'] = result['column_name'].replace( '.', '')
result['column_name'] = result['column_name'].replace( ',', '.')
result['column_name'] = result['column_name'].astype(float)
这不起作用并导致“浮点文字无效”错误。
我很感动：
for i in range (0, len(result)):
result.ix[i,'column_name'] = result.ix[i,'column_name'].replace( '.', '')
result.ix[i,'column_name'] = result.ix[i,'column_name'].replace( ',', '.')
result['column_name'] = result['column_name'].astype(float)
上面的方法有效..但令人惊讶的是，它似乎比 read_csv/converters 解决方案慢了大约 3 倍。使用以下内容在某种程度上有所帮助：
for i in range (0, len(result)):
result.ix[i,'column_name'] = result.ix[i,'column_name'].replace( '.', '').replace( ',', '.')
result['column_name'] = result['column_name'].astype(float)
我红色了精美的手册..并且知道read_csv已优化..但并没有真正期望红色/写入/读取/写入cicle比for循环快三倍!!
您认为在这方面进行更多努力是否值得？有什么建议吗？还是坚持重复写/读/写方法更好？
我的文件大约有 30k 行 x 150 列，读/写/读（转换）/写大约需要 18 秒，.ix for 第一种循环的时间超过 52 秒（分组 .replace 的时间为 32 秒）。
您将 DataFrame 从欧盟格式转换为美国格式的经验是什么？一些建议的改进方法？ “映射”或“区域设置”怎么样？他们可能会更快吗？
非常感谢你，法比奥。
附注我意识到我很“冗长”并且不够“Pythonic”..抱歉抱歉..我还在学习......:-)
非常感谢安迪和杰夫的建议和帮助！你帮了很多忙:-)
我首先与编辑一起返回原始数据。在其中一些中，我看到系统可能应用了某种自动转换，因此我新下载了相同的数据集作为“未转换”选项，并避免使用例如Excel 或其他打开/保存文件的程序。我只使用文本编辑器。此时，我使 read_csv 变得更轻，没有转换器，并按照 Jeff 的建议对替换进行了分组。
真实案例比提供的示例稍长一些，包括一些剥离（空格）、列删除、字符串连接、重命名/替换...。小数点被替换为三列：USD Sales、Qty、USD_EUR 汇率。根据它们计算欧元销售额和欧元单价。在初始文件中，由于某些其他原因，在固定汇率之前我们还有一个“-”（“-”，“”）。结果是：
result = pd.read_csv(path, sep=';', thousands = '.')
col = [ 'qty', 'sales', 'rate']
result[col] = result[col].apply(lambda x: x.str.replace(".","").str.replace(",","."))
result['sales_localcurrency'] = abs(result['sales'].astype(float) / result['rate'].astype(float))
result['sales_localcurrency_unit'] = result['sales_localcurrency'] / result['qty'].astype(float)
result.to_csv(path, sep=';')
30'000 x 150 DataFrame 的处理时间不到 15 秒:-) :-) 包括我在这里没有详细说明的所有其他内容（剥离、删除、连接，..）。所有读/写/读/写都已从代码中删除，在 read_csv 期间跳过“转换器”。
感谢您的帮助:-)！
再见。法比奥。
其实read_csv中有一个千位和小数的参数 （参见 pandas 文档 read_csv 但不幸的是，两者还不能一起工作（参见问题：github问题）
使用您指定的值创建一个框架并写入 csv
In [2]: df = DataFrame("100'100,32",index=range(30000),columns=range(150))
In [3]: df.iloc[0:5,0:5]
Out[3]:
0 1 2 3 4
0 100'100,32 100'100,32 100'100,32 100'100,32 100'100,32
1 100'100,32 100'100,32 100'100,32 100'100,32 100'100,32
2 100'100,32 100'100,32 100'100,32 100'100,32 100'100,32
3 100'100,32 100'100,32 100'100,32 100'100,32 100'100,32
4 100'100,32 100'100,32 100'100,32 100'100,32 100'100,32
In [4]: df.to_csv('test.csv')
读入，无需转换器
In [5]: df = read_csv('../test.csv',index_col=0)
In [6]: %timeit read_csv('../test.csv',index_col=0)
1 loops, best of 3: 1e+03 ms per loop
In [7]: df
Out[7]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 30000 entries, 0 to 29999
Columns: 150 entries, 0 to 149
dtypes: object(150)
In [8]: %timeit read_csv('../test.csv',index_col=0)
1 loops, best of 3: 1e+03 ms per loop
逐列进行字符串替换。在这里，您只能指定某些列，如果您 希望，通过做
df[[ list of columns ]].apply(.....)In [9]: df.apply(lambda x: x.str.replace("'","").str.replace(",",".")).astype(float)
Out[9]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 30000 entries, 0 to 29999
Columns: 150 entries, 0 to 149
dtypes: float64(150)
In [10]: %timeit df.apply(lambda x: x.str.replace("'","").str.replace(",",".")).astype(float)
1 loops, best of 3: 4.77 s per loop
总时间小于6秒
仅供参考，有一个
thousandsdecimal解决此问题的另一种方法：
def convert_to_US(col):
df[col] = df[col].str.replace(',', '.').astype(float)
cols = ['A','B','C']
for col in cols: convert_to_US(col)