Skip to main content
 首页 » 编程设计

python之一种将列列表更改为不同数据类型的更 pythonic(或 pandorable)方法

2025年04月02日11findumars

通常在处理数据时我必须更改数据类型。

例如

    In [11]: import pandas as pd 
 
    In [12]: import numpy as np 
 
    In [13]: df =  pd.DataFrame({'col2': {0: 'apples', 1: 'oranges', 2: 'rabbit'}, 'col1': {0: 'white', 1: 'marshmallow', 2: 'bandwagon'}} 
) 
 
    In [14]: df.dtypes 
    Out[14]: 
    col1    object 
    col2    object 
    dtype: object 
 
   In [15]: for col in cols: 
        df[col] = df[col].astype('category') 
        ....: 
 
In [16]: df.dtypes 
Out[16]: 
col1    category 
col2    category 
dtype: object 

是否有一种对 pandas 更友好的方式来做到这一点——例如使用列表理解?感觉for循环很慢。。。

这是我不得不做的一件非常常见的事情,我只是想知道是否有我不知道的习语。

请您参考如下方法:

我认为你的解决方案很好。

另一个是:

df[['col1','col2']] = df[['col1','col2']].apply(lambda x: x.astype('category')) 

时间:

In [32]: %timeit (orig(df)) 
10 loops, best of 3: 27.8 ms per loop 
 
In [33]: %timeit df.apply(lambda x: x.astype('category')) 
10 loops, best of 3: 41.5 ms per loop 
 
In [34]: %timeit pd.concat([df[col].astype('category') for col in df], axis=1) 
100 loops, best of 3: 18.7 ms per loop 

计时代码:

df =  pd.DataFrame({'col2': ['apples', 'oranges', 'rabbit'],  
                    'col1': ['white', 'marshmallow', 'bandwagon']}) 
 
df = pd.concat([df]*1000) 
df = pd.concat([df]*100, axis=1) 
df.columns = range(df.shape[1]) 
 
df[df.columns] = df[df.columns].apply(lambda x: x.astype('category')) 
print (df) 
 
 
df = pd.concat([df[col].astype('category') for col in df], axis=1) 
print (df) 
 
 
def orig(df): 
    for col in df.columns: 
        df[col] = df[col].astype('category') 
    return df