астype pandas синтаксис: полное руководство для работы с типами данных в Pandas

Метод astype в библиотеке pandas используется для преобразования типов данных в столбцах данных.

Синтаксис метода astype выглядит следующим образом:

DataFrame['column_name'].astype('new_data_type')

Где DataFrame - имя вашего фрейма данных, 'column_name' - имя столбца, в котором нужно изменить тип данных, а 'new_data_type' - новый тип данных, в который нужно преобразовать столбец.

Например, если у вас есть столбец 'age' с типом данных integer, и вы хотите преобразовать его в тип данных float, то вы можете использовать следующий код:

df['age'] = df['age'].astype(float)

Это преобразует тип данных столбца 'age' в тип данных float.

astype pandas синтаксис

Добро пожаловать! В этой статье мы обсудим синтаксис метода .astype() в библиотеке Pandas. Метод .astype() является очень полезным инструментом для изменения типов данных колонок в DataFrame. Он позволяет нам явно указать новый тип данных для колонки.

Основной синтаксис

Для использования метода .astype() в Pandas, мы должны применить его к конкретной колонке DataFrame. Вот базовый синтаксис:

df['Колонка'] = df['Колонка'].astype(новый_тип_данных)

В этом примере мы указываем, что мы хотим преобразовать тип данных колонки 'Колонка' в новый_тип_данных.

Возможные типы данных

Pandas поддерживает различные типы данных, которые можно использовать с помощью метода .astype(). Некоторые из них включают:

• int: для целочисленных значений
• float: для чисел с плавающей точкой
• str: для строковых значений
• bool: для логических значений (True или False)
• datetime: для даты и времени

Примеры использования

Давайте рассмотрим несколько примеров, чтобы лучше понять, как использовать метод .astype().

Пример 1: Изменение типа данных на int

import pandas as pd

# Создаем DataFrame
data = {'Колонка1': ['1', '2', '3'],
        'Колонка2': ['4', '5', '6']}
df = pd.DataFrame(data)

# Исходные типы данных колонок
print(df.dtypes)  # Вывод: Колонка1    object
                   #        Колонка2    object
                   
# Изменяем тип данных на int
df['Колонка1'] = df['Колонка1'].astype(int)

# Новые типы данных колонок
print(df.dtypes)  # Вывод: Колонка1     int64
                   #        Колонка2    object

В этом примере мы создаем DataFrame с двумя колонками, содержащими строковые значения. С помощью метода .astype() мы преобразуем тип данных колонки 'Колонка1' в целочисленный тип. После преобразования типа данных у нас остается одна колонка с типом int64, а другая колонка остается строковой.

Пример 2: Изменение типа данных на bool

import pandas as pd

# Создаем DataFrame
data = {'Колонка': ['True', 'False', 'True']}
df = pd.DataFrame(data)

# Исходные типы данных колонок
print(df.dtypes)  # Вывод: Колонка    object

# Изменяем тип данных на bool
df['Колонка'] = df['Колонка'].astype(bool)

# Новые типы данных колонок
print(df.dtypes)  # Вывод: Колонка    bool

В этом примере у нас есть одна колонка, содержащая строковые значения 'True' и 'False'. Мы используем метод .astype(), чтобы преобразовать тип данных колонки в логический тип. После преобразования у нас остается одна колонка с типом данных bool.

Заключение

Метод .astype() в Pandas - отличный инструмент для изменения типов данных колонок в DataFrame. Он позволяет нам явно указать новый тип данных для колонки. Мы рассмотрели основной синтаксис этого метода, а также привели несколько примеров его использования.

Надеюсь, эта статья помогла вам лучше понять синтаксис метода .astype() в Pandas. Удачи в изучении!