鋒哥原創的Pandas2?Python數據處理與分析 視頻教程：??

2025版 Pandas2 Python數據處理與分析 視頻教程(無廢話版) 玩命更新中~_嗶哩嗶哩_bilibili

Pandas 提供了靈活的方法來處理數據類型轉換，以下是常見操作及代碼示例：

1. 查看數據類型

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6],'C': ['2025-01-01', '2025-02-01', '2025-03-01']
})print(df.dtypes)
# 輸出：
# A    object
# B     int64
# C    object

2. 使用 astype() 轉換類型

基本轉換：

df['A'] = df['A'].astype(int)    # 轉換為整數
df['B'] = df['B'].astype(float)  # 轉換為浮點數

運行結果：

3. 使用 pd.to_numeric() 處理數值轉換

to_numeric()方法詳解：

pandas.to_numeric(arg, errors='raise', downcast=None
)

參數說明：

參數	類型	說明
arg	Series, list, 1D數組	需要轉換的輸入數據
errors	{'ignore', 'raise', 'coerce'}, 默認 'raise'	控制無效值的處理方式： - 'raise': 遇到非數值字符報錯（默認） - 'coerce': 將無效值轉為 NaN - 'ignore': 保留原值，不轉換
downcast	{'integer', 'signed', 'unsigned', 'float'}, 默認 None	降低內存占用： - 'integer'/'signed'/'unsigned': 尋找最小整數類型（如 int8, int16） - 'float': 尋找最小浮點類型（如 float32）

使用 errors='coerce' 避免轉換失敗導致程序中斷。

import pandas as pd
s = pd.Series(['1', '2', 'apple', '4'])
s_numeric = pd.to_numeric(s, errors='coerce')  # 無效值轉為 NaN
# 輸出： [1.0, 2.0, NaN, 4.0]s_ignore = pd.to_numeric(s, errors='ignore')   # 保留原數據

to_numeric函數中的downcast參數用于控制數值類型的轉換，可以減少內存使用量，同時保持數據的準確性。

import pandas as pds = pd.Series([1.0, 2.0, 3.0])
s = pd.to_numeric(s, downcast='integer')  # 轉換為最小整數類型 (int8/int16/...)

4. 日期時間轉換to_datetime()

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6],'C': ['2025-01-01', '2025-02-01', 'ccc']
})
df['C'] = pd.to_datetime(df['C'],errors='coerce')  # 轉換為 datetime 類型

5. 處理缺失值與類型推斷

填充缺失值后轉換：

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6],'C': ['2025-01-01', '2025-02-01', 'ccc']
})
df['D'] = ['10', None, '30']
df['D'] = df['D'].fillna(0).astype(int)  # 填充 NaN 后轉為整數

Pandas可以用以下方法智能地推斷各列的數據類型，會返回一個按推斷修改后的DataFrame。

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6]
})
df = df.convert_dtypes()  # 自動推斷更合適的數據類型