Pandas所支持的數(shù)據(jù)類型: 

Python，numpy都有自己的一套數(shù)據(jù)格式，它們之間的對應(yīng)關(guān)系可參考如下表格：

pandas默認(rèn)的數(shù)據(jù)類型是int64,float64。

1.數(shù)據(jù)框字段類型查看：df.dtypes

 數(shù)據(jù)框td_link_data如下

print(td_link_data)

     鏈路ID  管理域   日期   時間  上行速率Mbps  上行對比速率Mbps  下行速率Mbps  下行對比速率Mbps  上行丟棄速率Mbps  
0     500  10001  20210609  10     0.000         0.011              0.000          0.001             0.0        
1     500  10001  20210609  11     0.000         0.007              0.000          0.000             0.0        
2     500  10001  20210609  12     0.000         0.028              0.000          0.002             0.0        
3     500  10001  20210609  13     0.000         0.056              0.000          0.003             0.0        
4     500  10001  20210609  14     0.000         0.062              0.000          0.003             0.0        
5     500  10001  20210609  15     0.000         0.074              0.000          0.005             0.0        
6     500  10001  20210609  16     0.000         0.061              0.000          0.004             0.0        
7     500  10001  20210609  17     0.000         0.069              0.000          0.004             0.0        
8     500  10001  20210609  18     0.000         0.054              0.000          0.002             0.0        
9     500  10001  20210609  19     0.000         0.054              0.000          0.002             0.0        
10    500  10001  20210609  20     0.000         0.040              0.000          0.004             0.0  
...   ...   ...     ...     ...     ...           ...                ...            ...              ...
...   ...   ...     ...     ...     ...           ...                ...            ...              ...
...   ...   ...     ...     ...     ...           ...                ...            ...              ...
239   500  10001  20210609  23     0.000         0.040              0.000          0.004             0.0     

查看數(shù)據(jù)框td_link_data中數(shù)據(jù)類型df.dtypes：

print(td_link_data.dtypes)

結(jié)果： 

鏈路ID            int64
管理域             int64
日期             object
時間             object
上行速率Mbps      float64
上行對比速率Mbps    float64
下行速率Mbps      float64
下行對比速率Mbps    float64
上行丟棄速率Mbps    float64
dtype: object

2.維度查看df.shape：

print(td_link_data.shape)

 結(jié)果： 說明此數(shù)據(jù)框一共有240行，9列：

 (240, 9)

3.數(shù)據(jù)框的策略基本信息df.info()：

維度、列名稱、數(shù)據(jù)格式、所占空間等

print(td_link_data.info())

結(jié)果：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 240 entries, 0 to 239
Data columns (total 9 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   鏈路ID        240 non-null    int64  
 1   管理域         240 non-null    int64  
 2   日期          240 non-null    object 
 3   時間          240 non-null    object 
 4   上行速率Mbps    240 non-null    float64
 5   上行對比速率Mbps  240 non-null    float64
 6   下行速率Mbps    240 non-null    float64
 7   下行對比速率Mbps  240 non-null    float64
 8   上行丟棄速率Mbps  240 non-null    float64
dtypes: float64(5), int64(2), object(2)
memory usage: 17.0+ KB

解釋：

1.數(shù)據(jù)類型：數(shù)據(jù)框 <class 'pandas.core.frame.DataFrame'>
2.表格的維度：240行x9列，RangeIndex：0-239
3.表格的列名，是否為空值和列字段類型dtype
4.數(shù)據(jù)框包含的字段類型及數(shù)量： float64(5), int64(2), object(2)
5.表格所占空間：17.0+ KB

4.某一列格式df['列名'].dtype：

print(td_link_data['管理域'].dtype)

結(jié)果：

 int64

需要強(qiáng)調(diào)的是object類型實(shí)際上可以包括多種不同的類型，比如一列數(shù)據(jù)里，既有整型、浮點(diǎn)型，也有字符串類型，這些在pandas中都會被標(biāo)識為‘object’，所以在處理數(shù)據(jù)時，可能需要額外的一些方法提前將這些字段做清洗，str.replace(),float(),int(),astype()，apply()等等。

5.數(shù)據(jù)類型轉(zhuǎn)換.astype：

df.index.astype('int64') # 索引類型轉(zhuǎn)換
df.astype('int64') # 所有數(shù)據(jù)轉(zhuǎn)換為 int64
df.astype('int64', copy=False) # 不與原數(shù)據(jù)關(guān)聯(lián)
td_link_data.astype({'管理域': 'int32'}) # 指定字段轉(zhuǎn)指定類型
td_link_data['管理域'].astype('float')   #某一列轉(zhuǎn)換
td_link_data['鏈路ID'].astype('object') #某一列轉(zhuǎn)換

參考鏈接：https://www.jianshu.com/p/8a5f0710cad3

到此這篇關(guān)于Pandas數(shù)據(jù)類型轉(zhuǎn)換df.astype()及數(shù)據(jù)類型查看df.dtypes的使用的文章就介紹到這了,更多相關(guān)Pandas df.astype()及df.dtypes內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論