Pandas convertit la colonne en int

«Le traitement et l'évaluation des données sont mis à disposition par le progiciel Python appelé Pandas. Un type de données est un élément de construction sous-jacent que les langages informatiques utilisent pour comprendre comment enregistrer et modifier les données. Lorsqu'une trame de données Pandas est créée avec des données extérieures, les colonnes numériques sont généralement désignées comme objets de type de données plutôt que INT ou Float, ce qui rend difficile à effectuer des calculs numériques sur eux.

Nous vous montrerons comment convertir une colonne Pandas en un INT dans cette pièce et discuterons de différentes méthodes pour atteindre la sortie souhaitée dans ce morceau d'écriture."

Exemple 1: Convertir la colonne Pandas en intrusion de la fonction Pandas Astype ()

La première approche que nous allons utiliser ici pour convertir Pandas DataFrame en int est l'utilisation de la méthode Astype () de la bibliothèque Pandas de Python. Nous pourrions fournir n'importe quel type de données Python, Numpy ou Pandas pour modifier le type de toutes les colonnes dans un dataframe, ou nous pourrions passer un dictionnaire avec des noms de colonne comme des touches ainsi que le type de données comme valeurs pour modifier le type de colonnes sélectionnées.

Ici, la méthode astype () nous permet de spécifier le type de données dont nous avons besoin. Il est assez adaptable en ce que vous pouvez essayer de passer d'une sorte à une autre.

La syntaxe de la fonction astype (), qui permet de convertir le type de colonne en int, est la suivante.

Comprenons les paramètres de cette fonction un par un.

Le premier paramètre ici est «dtype» qui fait référence au type de données. L'objet Pandas entier peut être converti en type approprié en utilisant le type DType ou Python. Inversement, vous pouvez convertir une seule ou un multiple des colonnes dans un DataFrame en un type particulier pour cette colonne en utilisant la syntaxe «[colmn: dtype,…]» dans lequel la colonne est le nom de la colonne tandis que Dtype est un NP.dtype ou même type python. Le deuxième paramètre est «Copier». Il prend des valeurs booléennes en entrée. Par défaut, vrai est utilisé. La valeur de copie doit être vraie pour renvoyer une copie. Le dernier paramètre de la méthode Astype () est «Erreur». «Augmenter» et «ignorer» sont possibles. Cependant, «augmenter» est le paramètre par défaut pour ce paramètre.

Conversion d'une seule colonne d'un Pandas DataFrame en une méthode intylisant Astype ()

Dans cette illustration, nous modifierons le type de données d'une seule colonne du DataFrame en int. Voyons comment ça marche.

Tout d'abord, importez la bibliothèque Pandas dans le fichier Python, puis attribuez l'alias à PD pour profiter des fonctionnalités Pandas. Lorsqu'on lui a terminé, nous avons maintenant créé un objet DataFrame et l'avons nommé un «cadre», et lui avons attribué la sortie de l'appel de la fonction DataFrame, qui est utilisé pour générer un Pandas DataFrame. Le PD.Fonction DataFrame initialisée avec trois colonnes, «Student», «Marks» et «Points» est invoqué. Nous avons attribué la même longueur de valeurs pour chaque colonne du DataFrame. La fonction print () est utilisée pour imprimer le pandas dataframe.

Vous pouvez voir le DataFrame avec trois colonnes dans l'image ci-dessous:

Une fois que le dataframe a été créé avec succès, nous vérifierons ensuite les types de données pour toutes les colonnes.

Le type de données du Pandas DataFrame peut être affiché en utilisant la propriété «DTYPES». Pour invoquer cette propriété, écrivez le nom de l'objet DataFrame que nous avons créé ci-dessus avec le «.propriété dtype ”; Dans notre exemple, c'est «Frame.dtypes ». Il vérifiera donc les types de données pour le dataframe spécifié. Comme nous voulons afficher les types de données, nous devons écrire «Frame.dtypes ”à l'intérieur des accolades de la fonction print ().

La fonction print () avec la propriété DTypes vous procurera des types de données de toutes les colonnes du «cadre» DataFrame.

Vous pouvez afficher l'image de sortie affichant trois colonnes, toutes avec le type de données «Objet».

Nous allons maintenant apprendre à modifier le type de données du DataFrame en convertissant le type de données prédéfini en int. Pour réaliser le type de données souhaité, nous devons utiliser la méthode «Astype ()». Entre ses parenthèses, nous fournissons le type de données auquel nous voulons convertir le type de données précédent. Ici, nous effectuerons la conversion du type de données pour une seule colonne.

La syntaxe pour utiliser cette méthode consiste à écrire le nom de l'objet DataFrame avec le nom de la colonne à l'intérieur des accolades longues «[]». Mettez l'opérateur d'affectation «=» puis l'objet DataFrame ayant le même nom de colonne avec le «.La fonction ASTYPE () »et dans ses accolades fournissent le type de données requis. Comme dans l'instance ci-dessus, nous avons «cadre [« marques »].astype (int) ». Cela signifie que nous voulons convertir le type de données de la colonne "Marks" de "Object" en "int". Enfin, nous afficherons le type de données mis à jour pour le DataFrame «Frame» en utilisant la propriété «dType» à l'intérieur des accolades de la fonction print ().

Cela nous donne la sortie suivante:

Conversion de plus d'une colonne d'un Pandas DataFrame en une méthode intype ()

Comme nous avons appris à convertir la colonne unique Pandas d'une DataFrame en un INT, nous allons maintenant apprendre à convertir la conversion du type de données de plusieurs colonnes en int.

Nous utiliserons le même DataFrame que nous avons préparé dans le premier exemple de cette instance. Afin de vérifier le type de données du DataFrame, la propriété DTypes est utilisée. Dans l'exemple précédent, nous avons fourni une colonne que nous voulions convertir en int; Cependant, où nous devions modifier le type de données de plus d'une colonne. Les colonnes que nous avons choisies pour modifier le type de données sont «marques» et «points».

Avec l'objet DataFrame, nous avons donné le nom des deux colonnes. Et lui a attribué la sortie de la fonction «Astype ()». Nous avons défini le type de données sur INT dans la méthode Astype (). Vous pouvez choisir même 3 colonnes ou plus selon votre exigence pour modifier le type de données. Lorsque nous exécutons la méthode print (), nous avons fourni le nom de l'objet DataFrame avec la propriété DType afin qu'il affiche le nouveau type de données des colonnes du «cadre» de DataFrame ".

Le terminal montre une sortie qui contient une dataframe, le type de données initial et réel de chaque colonne du dataframe, puis affiche le type de données mis à jour des «marques» et des colonnes «points».

Exemple 2: Convertir la colonne Pandas en intrusion de la fonction pandas to_numeric ()

L'utilisation de la fonction Pandas vers_Numérique est l'une des meilleures techniques pour convertir des colonnes uniques ou plus. Cette méthode tentera de convertir des chaînes ou d'autres éléments non nucères en valeurs entières ou à point flottantes acceptables.

Voyons sa mise en œuvre pratique.

Pour la démonstration de cette méthode, nous avons d'abord créé un dictionnaire «données» qui contient trois chaînes, «nom», «score» et «tentative». Nous avons utilisé les pandas.Méthode dataFrame () Pour convertir ce dict en un dataframe et stocker ce dataframe en un objet DataFrame «démo». Nous avons ensuite vérifié le type de données de ce DataFrame par la propriété DType dans la fonction print (). Nous avons choisi le «score» de la colonne dont nous voulons changer le type de données en int. Nous avons ensuite utilisé la fonction pandas to_numeric (), et dans ses accolades, nous avons fourni à l'objet DataFrame le nom de la colonne. Enfin, la déclaration d'impression avec la propriété DType affichera le type de données mis à jour du dataframe.

Ceci est l'image de sortie:

Conclusion

Dans cet article, nous avons essayé de vous familiariser avec le concept de conversion de données de données d'un Dataframe en int. Nous avons utilisé deux fonctions de pandas à ladite fin. Pour la première approche, nous avons mis en œuvre deux codes pratiques sur l'outil Spyder ainsi que pour la deuxième illustration. La pratique rendra vos concepts forts, et vos connaissances grandiront mieux.