Trong hướng dẫn này, bạn sẽ học cách sử dụng thư viện Pandas của Python để chuyển đổi giá trị của cột thành kiểu dữ liệu chuỗi. Bạn sẽ học cách chuyển đổi số nguyên và số float của Pandas thành chuỗi. Bạn cũng sẽ tìm hiểu cách các chuỗi đã phát triển trong Pandas và những lợi ích của việc sử dụng kiểu dtype chuỗi Pandas. Bạn sẽ tìm hiểu bốn cách khác nhau để chuyển đổi cột Pandas thành chuỗi và cách chuyển đổi mọi cột khung dữ liệu Pandas thành chuỗi
Câu trả lời nhanh. Sử dụng
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Mục lục
- Đang tải một khung dữ liệu mẫu
- Kiểu dữ liệu chuỗi trong Pandas là gì?
- Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng cách sử dụng astype
- Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng bản đồ
- Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng cách sử dụng áp dụng
- Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng giá trị. kiểu mẫu
- Chuyển đổi tất cả các cột khung dữ liệu Pandas thành chuỗi bằng cách sử dụng Applymap
- Phần kết luận
Đang tải một khung dữ liệu mẫu
Để làm theo hướng dẫn, vui lòng tải cùng một khung dữ liệu được cung cấp bên dưới. Chúng tôi sẽ tải một khung dữ liệu chứa ba cột khác nhau. 1 trong số đó sẽ tải dưới dạng chuỗi và 2 sẽ tải dưới dạng số nguyên
Trước tiên, chúng tôi sẽ tải khung dữ liệu, sau đó in năm bản ghi đầu tiên bằng phương thức
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Bắt đầu nào
import pandas as pd
df = pd.DataFrame[{
'Name':['Nik', 'Jane', 'Matt', 'Kate', 'Clark'],
'Age': [30, 31, 29, 33, 43],
'Income':[70000, 72000, 83000, 90000, 870000]
}]
print['df head:']
print[df.head[]]Điều này trả về thông tin sau
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy bắt đầu hướng dẫn bằng cách tìm hiểu một chút về cách Pandas xử lý dữ liệu chuỗi
Kiểu dữ liệu chuỗi trong Pandas là gì?
Để khám phá cách Pandas xử lý dữ liệu chuỗi, chúng ta có thể sử dụng phương thức
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy xem các kiểu dữ liệu là gì
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesChúng ta có thể thấy ở đây rằng theo mặc định, Pandas sẽ lưu trữ các chuỗi bằng cách sử dụng kiểu dữ liệu
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Bắt đầu từ phiên bản 1. 0, Pandas đã có một kiểu dữ liệu
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesDo đó, hướng dẫn sẽ sử dụng kiểu dữ liệu
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesprint[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesprint[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesHãy bắt đầu bằng cách sử dụng phương pháp ưa thích để sử dụng Pandas để chuyển đổi một cột thành một chuỗi
Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng cách sử dụng astype
Pandas đi kèm với một phương thức cột [sê-ri],
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesNhiều hướng dẫn mà bạn sẽ tìm thấy chỉ yêu cầu bạn chuyển vào
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesprint[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesLàm điều này sẽ đảm bảo rằng bạn đang sử dụng kiểu dữ liệu
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytes# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy cùng xem cách chúng ta có thể chuyển đổi cột Pandas thành chuỗi, sử dụng phương pháp
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytes# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Điều này trả về như sau
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Chúng ta có thể thấy rằng cột
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytesTrong phần tiếp theo, bạn sẽ tìm hiểu cách sử dụng phương pháp
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng bản đồ
Tương tự như phương pháp
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytes# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy xem cái này trông như thế nào
import pandas as pd
df = pd.DataFrame[{
'Name':['Nik', 'Jane', 'Matt', 'Kate', 'Clark'],
'Age': [30, 31, 29, 33, 43],
'Income':[70000, 72000, 83000, 90000, 870000]
}]
print['df head:']
print[df.head[]]Điều này trả về như sau
import pandas as pd
df = pd.DataFrame[{
'Name':['Nik', 'Jane', 'Matt', 'Kate', 'Clark'],
'Age': [30, 31, 29, 33, 43],
'Income':[70000, 72000, 83000, 90000, 870000]
}]
print['df head:']
print[df.head[]]Ở đây, chúng ta có thể thấy rằng bằng cách sử dụng phương thức
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytes# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Trong phần tiếp theo, bạn sẽ tìm hiểu cách sử dụng phương thức
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng cách sử dụng áp dụng
Tương tự như phương pháp trên, chúng ta cũng có thể sử dụng phương pháp
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytes# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy xem nó trông như thế nào
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Điều này trả về như sau
import pandas as pd
df = pd.DataFrame[{
'Name':['Nik', 'Jane', 'Matt', 'Kate', 'Clark'],
'Age': [30, 31, 29, 33, 43],
'Income':[70000, 72000, 83000, 90000, 870000]
}]
print['df head:']
print[df.head[]]Trong phần tiếp theo, bạn sẽ tìm hiểu cách sử dụng phương thức
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Chuyển đổi giá trị cột khung dữ liệu Pandas thành chuỗi bằng giá trị. kiểu mẫu
Cuối cùng, chúng ta cũng có thể sử dụng phương thức
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy xem nó trông như thế nào
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Điều này trả về như sau
import pandas as pd
df = pd.DataFrame[{
'Name':['Nik', 'Jane', 'Matt', 'Kate', 'Clark'],
'Age': [30, 31, 29, 33, 43],
'Income':[70000, 72000, 83000, 90000, 870000]
}]
print['df head:']
print[df.head[]]Trong phần tiếp theo, bạn sẽ tìm hiểu cách sử dụng
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Chuyển đổi tất cả các cột khung dữ liệu Pandas thành chuỗi bằng cách sử dụng Applymap
Trong phần cuối cùng này, bạn sẽ tìm hiểu cách sử dụng phương pháp
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Hãy xem cái này trông như thế nào
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Điều này trả về
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Thay vào đó, nếu chúng ta muốn chuyển đổi các kiểu dữ liệu sang kiểu dữ liệu
print[df.info[]]
# Returns:
#
# RangeIndex: 5 entries, 0 to 4
# Data columns [total 3 columns]:
# # Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 Name 5 non-null object
# 1 Age 5 non-null int64
# 2 Income 5 non-null int64
# dtypes: int64[2], object[1]
# memory usage: 248.0+ bytes# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Điều này trả về như sau
# df head:
# Name Age Income
# 0 Nik 30 70000
# 1 Jane 31 72000
# 2 Matt 29 83000
# 3 Kate 33 90000
# 4 Clark 43 870000Phần kết luận
Trong hướng dẫn này, bạn đã học cách sử dụng Python Pandas để chuyển đổi giá trị của cột thành chuỗi. Bạn đã học được sự khác biệt giữa các cách khác nhau mà Pandas lưu trữ chuỗi. Bạn cũng đã học được bốn cách khác nhau để chuyển đổi giá trị thành kiểu chuỗi. Cuối cùng, bạn đã học cách chuyển đổi tất cả các cột trong khung dữ liệu thành các loại chuỗi trong một lần
Là một đối tượng một chuỗi trong gấu trúc?
Khi một cột là loại Đối tượng, điều đó không nhất thiết có nghĩa là tất cả các giá trị sẽ là chuỗi . Trên thực tế, tất cả chúng có thể là số hoặc hỗn hợp của chuỗi, số nguyên và số float. Với sự khác biệt này, bạn không thể thực hiện bất kỳ thao tác chuỗi nào trên cột ngay lập tức.
Làm cách nào để chuyển đổi một chuỗi thành DataFrame của gấu trúc?
Phương pháp 1. Tạo Pandas DataFrame từ một chuỗi bằng cách sử dụng StringIO[] Một cách để đạt được điều này là sử dụng hàm StringIO[]. Nó sẽ hoạt động như một trình bao bọc và nó sẽ giúp chúng ta đọc dữ liệu bằng lệnh pd. hàm read_csv[].
Làm cách nào để chuyển đổi chuỗi thành float trong gấu trúc Python?
pandas Chuyển chuỗi thành dấu nổi
. Use pandas DataFrame. hàm astype[] để chuyển đổi cột từ chuỗi/int thành float, bạn có thể áp dụng điều này trên một cột cụ thể hoặc trên toàn bộ Khung dữ liệu. Để truyền kiểu dữ liệu thành float có chữ ký 54 bit, bạn có thể sử dụng numpy. float64 , gọn gàng.
Làm cách nào để chuyển đổi cột đối tượng thành chuỗi trong gấu trúc?
astype[] Pandas series, bạn có thể sử dụng. phương thức map[] để chuyển đổi cột Pandas thành chuỗi.