Skip to main content
 首页 » 编程设计

Python过滤单个数据框列中的数字和字符串

2025年05月04日30exmyth

我有一个数据框,其中单列 Value 有字符串。其中一些字符串值是数字。我意识到,因为它们在同一列中,所以它们都被视为字符串,但我需要区分那些实际上是字符串的那些和那些实际上是数字的。

我想创建另外两个名为 Value_Num 和 Value_Txt 的列,然后删除原始的 Value 列。

我有一个运行的脚本使用了以下命令:

df['Value_Num'] = df.Value.convert_objects(convert_numeric=true) 

效果很好。但是,在转换到较新版本时出现此错误:

FutureWarning: convert_objects is deprecated. Use the data-type specific converters pd.to_datetime, pd.to_timedelta and pd.to_numeric.

我不知道如何用 pd.to_numeric 函数重写我的命令。

谢谢。

请您参考如下方法:

要避免 convert_objects 发出的 FutureWarning,您可以使用 pd.numeric with errors='coerce' :

pd.to_numeric(df['Value'], errors='coerce') 

这会将非数字字符串设置为 NaN —— 这正是我们想要的 Value_Num。

然后我们可以使用 pd.notnull 来识别 Value_Num 中具有非 NaN 值的行,并将这些行设置为 NaN 值 列。因此,Value 列获得我们想要的 Value_Txt 列的值。将 Value 重命名为 Value_Txt 完成任务:


import numpy as np 
import pandas as pd 
df = pd.DataFrame({'Value':['1', 'foo', '1.23', 'bar', '3.14e6']}) 
df['Value_Num'] = pd.to_numeric(df['Value'], errors='coerce') 
mask = pd.notnull(df['Value_Num']) 
df.loc[mask, 'Value'] = np.nan 
df = df.rename(columns={'Value':'Value_Txt'}) 
print(df) 

产量

    Value   Value_Num   type 
0       1        1.00  False 
1    1.23        1.23  False 
2     foo         NaN   True 
3  3.14e6  3140000.00  False