Pandas 是一个强大的 Python 库，用于数据操作和分析。数据类型管理对于高效的数据处理至关重要。本文探讨了在 Pandas DataFrame 中有效更改列数据类型的各种方法。
目录
1. 使用 pd.to_numeric() 转换为数值类型
pd.to_numeric() 函数非常适合将列转换为数值数据类型（int、float）。在处理包含数字字符串表示的列时，它特别有用，这在导入数据时经常遇到。
import pandas as pd
data = {'col1': ['1', '2', '3', '4', '5'], 'col2': ['A', 'B', 'C', 'D', 'E']}
df = pd.DataFrame(data)
df['col1'] = pd.to_numeric(df['col1'])
print(df.dtypes)
errors 参数管理如何处理错误：
'coerce'：无效值变为NaN。'raise'：对于无效值引发异常。'ignore'：忽略无效值。
data = {'col1': ['1', '2', 'a', '4', '5']}
df = pd.DataFrame(data)
df['col1'] = pd.to_numeric(df['col1'], errors='coerce')
print(df)
2. 使用 astype() 进行灵活的类型转换
astype() 方法提供了一种更改数据类型的一般方法。您可以转换为几乎任何受支持的类型（int、float、str、bool、datetime 等）。
data = {'col1': [1, 2, 3, 4, 5], 'col2': [True, False, True, False, True]}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype(str)
df['col2'] = df['col2'].astype(int)
print(df.dtypes)
注意：类型转换可能会导致数据丢失（例如，将 float 转换为 int 时截断小数）。
3. 使用 infer_objects() 进行智能类型推断
infer_objects() 方法适用于在“object”列中具有混合数据类型的 DataFrame。它尝试为每一列推断最合适的类型。
data = {'col1': ['1', 2, '3.14', 4], 'col2': ['A', 'B', 'C', 'D']}
df = pd.DataFrame(data)
df = df.infer_objects()
print(df.dtypes)
注意：不一致的数据可能会阻止成功的类型推断。
4. 数据类型转换的最佳实践
在转换前后始终检查您的数据，以验证更改并避免意外结果。考虑使用 .info() 方法检查数据类型和缺失值。使用 pd.to_numeric() 中的 errors 参数或通过预处理数据来删除或替换有问题的数值来优雅地处理潜在的错误。