Skip to main content
 首页 » 编程设计

python之pandas int 和 np.int64 中的奇怪 isinstance 行为

2025年01月19日10lautakyan007

我有一系列 np.int64,但由于某些原因,在不同情况下使用 isinstance() 会产生不同的答案。

您可以在附图中看到,如果我检查单个元素的类型,我会得到 numpy.int64,因此这个特定元素上的 isinstance 会正确运行。

但是,当我使用 apply 时,会发生相反的行为,我会得到不同的结果。这是因为 apply 以某种方式改变了类型吗?

更详细地说,原始系列定义为:

sample_series = pd.Series([np.int64(1), np.int64(25), np.int64(50) ,np.int64(75)])

当我检查一个元素的类型时,type(sample_series.loc[0]),我得到输出 numpy.int64。

现在使用 isinstance 给了我以下(预期的)答案, isinstance(sample_series.loc[0], int) ,输出:False 和 isinstance (sample_series.loc[0], np.int64) 输出:True。

另一方面,sample_series.apply(lambda x : isinstance(x,int)) 给出输出:

0    True 
1    True 
2    True 
3    True 
dtype: bool 

虽然 sample_series.apply(lambda x : isinstance(x, np.int64)) 给出输出:

0    False 
1    False 
2    False 
3    False 
dtype: bool 

所以看起来结果不一致。

谢谢!

请您参考如下方法:

看来 DataFrame.apply 和 Series.apply 在本质上略有不同。例如:

sample_series = pd.Series([np.int64(1), np.int64(50), np.int64(75)]) 
#0     1 
#1    50 
#2    75 
#dtype: int64 
 
sample_series.apply(lambda x: type(x)) 
#0    <class 'int'> 
#1    <class 'int'> 
#2    <class 'int'> 
#dtype: object 

但是

df = pd.DataFrame({'val': sample_series}) 
df.dtypes 
#val    int64 
#dtype: object 
 
df.apply(lambda row: type(row.val), axis=1) 
#0    <class 'numpy.int64'> 
#1    <class 'numpy.int64'> 
#2    <class 'numpy.int64'> 
#dtype: object 

如果您查看 Series.apply 代码,看起来奇怪的行为来自 here

# row-wise access 
if is_extension_type(self.dtype): 
    mapped = self._values.map(f) 
else: 
    values = self.asobject 
    mapped = lib.map_infer(values, f, convert=convert_dtype) 

它采用您的系列,然后创建 values,即 array([1, 50, 75], dtype=object) 并将其传递给 中的另一个函数code>pandas._libs 应用你的函数 f = lambda x: isinstance(x, np.int64)

另一方面,带有 axis=1 的 DataFrame.apply 工作正常,因为当它定义 values 时,它通过 >values = self.values See here ,它给你 values = array([ 1, 50, 75], dtype=int64)

事实上,如果您将底层 pandas Series.apply 代码更改为 values=self.values,您将获得预期的输出。