Konwertuje liczbę zmiennoprzecinkową na ints w Pandach?

Pracowałem z danymi importowanymi z pliku CSV. Pandy zmieniły niektóre kolumny na zmiennoprzecinkowe, więc teraz liczby w tych kolumnach są wyświetlane jako zmiennoprzecinkowe! Jednak muszę je wyświetlać jako liczby całkowite lub bez przecinka. Czy istnieje sposób przekonwertować je na liczby całkowite lub nie wyświetlać przecinka?

Aby zmodyfikować wyjście float, wykonaj następujące czynności:

df= pd.DataFrame(range(5), columns=['a'])
df.a = df.a.astype(float)
df

Out[33]:

          a
0 0.0000000
1 1.0000000
2 2.0000000
3 3.0000000
4 4.0000000

pd.options.display.float_format = '{:,.0f}'.format
df

Out[35]:

   a
0  0
1  1
2  2
3  3
4  4

Użyj pandas.DataFrame.astype(<type>)funkcji do manipulowania typami kolumn.

>>> df = pd.DataFrame(np.random.rand(3,4), columns=list("ABCD"))
>>> df
          A         B         C         D
0  0.542447  0.949988  0.669239  0.879887
1  0.068542  0.757775  0.891903  0.384542
2  0.021274  0.587504  0.180426  0.574300
>>> df[list("ABCD")] = df[list("ABCD")].astype(int)
>>> df
   A  B  C  D
0  0  0  0  0
1  0  0  0  0
2  0  0  0  0

EDYTOWAĆ:

Aby obsłużyć brakujące wartości:

>>> df
          A         B     C         D
0  0.475103  0.355453  0.66  0.869336
1  0.260395  0.200287   NaN  0.617024
2  0.517692  0.735613  0.18  0.657106
>>> df[list("ABCD")] = df[list("ABCD")].fillna(0.0).astype(int)
>>> df
   A  B  C  D
0  0  0  0  0
1  0  0  0  0
2  0  0  0  0

Biorąc pod uwagę następującą ramkę danych:

>>> df = pd.DataFrame(10*np.random.rand(3, 4), columns=list("ABCD"))
>>> print(df)
...           A         B         C         D
... 0  8.362940  0.354027  1.916283  6.226750
... 1  1.988232  9.003545  9.277504  8.522808
... 2  1.141432  4.935593  2.700118  7.739108

Korzystając z listy nazw kolumn, zmień typ wielu kolumn za pomocą applymap():

>>> cols = ['A', 'B']
>>> df[cols] = df[cols].applymap(np.int64)
>>> print(df)
...    A  B         C         D
... 0  8  0  1.916283  6.226750
... 1  1  9  9.277504  8.522808
... 2  1  4  2.700118  7.739108

Lub dla pojedynczej kolumny z apply():

>>> df['C'] = df['C'].apply(np.int64)
>>> print(df)
...    A  B  C         D
... 0  8  0  1  6.226750
... 1  1  9  9  8.522808
... 2  1  4  2  7.739108

Jest to szybkie rozwiązanie, jeśli chcesz przekonwertować więcej kolumn pandas.DataFramez liczb zmiennoprzecinkowych na liczbę całkowitą, biorąc pod uwagę również przypadek, w którym możesz mieć wartości NaN.

cols = ['col_1', 'col_2', 'col_3', 'col_4']
for col in cols:
   df[col] = df[col].apply(lambda x: int(x) if x == x else "")

Próbowałem z else x)i else None), ale wynik wciąż ma liczbę zmiennoprzecinkową, więc użyłem else "".

Rozwijając @Ryan G wspomniane użycie pandas.DataFrame.astype(<type>)metody, można użyć errors=ignoreargumentu do konwersji tylko tych kolumn, które nie powodują błędu, co znacznie upraszcza składnię. Oczywiście należy zachować ostrożność przy ignorowaniu błędów, ale w przypadku tego zadania jest to bardzo przydatne.

>>> df = pd.DataFrame(np.random.rand(3, 4), columns=list('ABCD'))
>>> df *= 10
>>> print(df)
...           A       B       C       D
... 0   2.16861 8.34139 1.83434 6.91706
... 1   5.85938 9.71712 5.53371 4.26542
... 2   0.50112 4.06725 1.99795 4.75698

>>> df['E'] = list('XYZ')
>>> df.astype(int, errors='ignore')
>>> print(df)
...     A   B   C   D   E
... 0   2   8   1   6   X
... 1   5   9   5   4   Y
... 2   0   4   1   4   Z

Z dokumentów pandas.DataFrame.astype :

błędy: {„podbij”, „ignoruj”}, domyślnie „podbij”

Kontroluj zgłaszanie wyjątków dotyczących nieprawidłowych danych dla podanego typu.

• podnieść: zezwalaj na zgłaszanie wyjątków
• ignoruj: pomija wyjątki. W przypadku błędu zwróć oryginalny obiekt

Nowości w wersji 0.20.0.

>>> import pandas as pd
>>> right = pd.DataFrame({'C': [1.002, 2.003], 'D': [1.009, 4.55], 'key': ['K0', 'K1']})
>>> print(right)
           C      D key
    0  1.002  1.009  K0
    1  2.003  4.550  K1
>>> right['C'] = right.C.astype(int)
>>> print(right)
       C      D key
    0  1  1.009  K0
    1  2  4.550  K1

Aby przekonwertować wszystkie zmiennoprzecinkowe kolumny na int

>>> df = pd.DataFrame(np.random.rand(5, 4) * 10, columns=list('PQRS'))
>>> print(df)
...     P           Q           R           S
... 0   4.395994    0.844292    8.543430    1.933934
... 1   0.311974    9.519054    6.171577    3.859993
... 2   2.056797    0.836150    5.270513    3.224497
... 3   3.919300    8.562298    6.852941    1.415992
... 4   9.958550    9.013425    8.703142    3.588733

>>> float_col = df.select_dtypes(include=['float64']) # This will select float columns only
>>> # list(float_col.columns.values)
>>> for col in float_col.columns.values:
...     df[col] = df[col].astype('int64')
>>> print(df)
...     P   Q   R   S
... 0   4   0   8   1
... 1   0   9   6   3
... 2   2   0   5   3
... 3   3   8   6   1
... 4   9   9   8   3

Oto prosta funkcja, która sprowadza spławik do najmniejszej możliwej liczby całkowitej, która nie traci żadnych informacji. Dla przykładów,

• 100.0 można przekonwertować z liczby zmiennoprzecinkowej na liczbę całkowitą, ale 99,9 nie może (bez utraty informacji do zaokrąglania lub obcinania)

• Dodatkowo 1.0 może być zesłane do końca int8bez utraty informacji, ale najmniejszym typem całkowitym dla 100_000.0 jestint32

Przykłady kodu:

import numpy as np
import pandas as pd

def float_to_int( s ):
    if ( s.astype(np.int64) == s ).all():
        return pd.to_numeric( s, downcast='integer' )
    else:
        return s

# small integers are downcast into 8-bit integers
float_to_int( np.array([1.0,2.0]) )
Out[1]:array([1, 2], dtype=int8)

# larger integers are downcast into larger integer types
float_to_int( np.array([100_000.,200_000.]) )
Out[2]: array([100000, 200000], dtype=int32)

# if there are values to the right of the decimal
# point, no conversion is made
float_to_int( np.array([1.1,2.2]) )
Out[3]: array([ 1.1,  2.2])

Kolumny, które należy przekonwertować na int, można wymienić w słowniku również jak poniżej

df = df.astype({'col1': 'int', 'col2': 'int', 'col3': 'int'})

>>> df_18['cyl'].value_counts()
... 4.0     365
... 6.0     246
... 8.0     153

>>> df_18['cyl'] = df_18['cyl'].astype(int)
>>> df_18['cyl'].value_counts()
... 4     365
... 6     246
... 8     153