Python là một ngôn ngữ tuyệt vời để phân tích dữ liệu, chủ yếu là do hệ sinh thái tuyệt vời của các gói Python tập trung vào dữ liệu. Pandas là một trong những gói đó và giúp nhập và phân tích dữ liệu dễ dàng hơn nhiều. Show Phương pháp import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes0 cũng cung cấp khả năng chuyển đổi bất kỳ cột hiện có phù hợp thành loại phân loại. Hàm
Đối với liên kết đến tệp CSV được sử dụng trong mã, bấm vào đây Ví dụ #1: Chuyển đổi kiểu dữ liệu cột trọng lượng. Convert the Weight column data type. import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes4 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes5 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes6 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes8 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes9 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object0 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object1 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object2 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object3 Vì dữ liệu có một số giá trị của NAN NAN, vì vậy, để tránh mọi lỗi, chúng tôi sẽ bỏ tất cả các hàng có chứa bất kỳ Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object4Values nào. Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object5 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object7 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object0 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object9 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 block['Gender'] = block['Gender'].astype('category') block.dtypes1 block['Gender'] = block['Gender'].astype('category') block.dtypes2 block['Gender'] = block['Gender'].astype('category') block.dtypes3 block['Gender'] = block['Gender'].astype('category') block.dtypes4 block['Gender'] = block['Gender'].astype('category') block.dtypes5 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 block['Gender'] = block['Gender'].astype('category') block.dtypes7 block['Gender'] = block['Gender'].astype('category') block.dtypes8 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object0 Gender category NAME object dtype: object0 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 block['Gender'] = block['Gender'].astype('category') block.dtypes1 block['Gender'] = block['Gender'].astype('category') block.dtypes2 block['Gender'] = block['Gender'].astype('category') block.dtypes3 block['Gender'] = block['Gender'].astype('category') block.dtypes4 Gender category NAME object dtype: object6 Gender category NAME object dtype: object7 Output: Ví dụ #2: Thay đổi kiểu dữ liệu của nhiều hơn một cột cùng một lúc Change the data type of more than one column at once Thay đổi Gender category NAME object dtype: object8Column thành loại phân loại và Gender category NAME object dtype: object9Column thành loại Int64. import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes4 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes5 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes6 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes8 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes9 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object0 Vì dữ liệu có một số giá trị của NAN NAN, vì vậy, để tránh mọi lỗi, chúng tôi sẽ bỏ tất cả các hàng có chứa bất kỳ Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object4Values nào. temp float64 hum float64 windspeed float64 cnt int64 season_1 int64 season_2 int64 season_3 int64 season_4 int64 yr_0 int64 yr_1 int64 mnth_1 int64 mnth_2 int64 mnth_3 int64 mnth_4 int64 mnth_5 int64 mnth_6 int64 mnth_7 int64 mnth_8 int64 mnth_9 int64 mnth_10 int64 mnth_11 int64 mnth_12 int64 weathersit_1 int64 weathersit_2 int64 weathersit_3 int64 holiday_0 int64 holiday_1 int64 dtype: object0 Output: Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object5 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object7 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object0 Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object9 import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes7 block['Gender'] = block['Gender'].astype('category') block.dtypes1 block['Gender'] = block['Gender'].astype('category') block.dtypes2 block['Gender'] = block['Gender'].astype('category') block.dtypes3 block['Gender'] = block['Gender'].astype('category') block.dtypes4 temp float64 hum float64 windspeed float64 cnt int64 season_1 int64 season_2 int64 season_3 int64 season_4 int64 yr_0 int64 yr_1 int64 mnth_1 int64 mnth_2 int64 mnth_3 int64 mnth_4 int64 mnth_5 int64 mnth_6 int64 mnth_7 int64 mnth_8 int64 mnth_9 int64 mnth_10 int64 mnth_11 int64 mnth_12 int64 weathersit_1 int64 weathersit_2 int64 weathersit_3 int64 holiday_0 int64 holiday_1 int64 dtype: object0 Output: Output: Trong bài viết này, chúng tôi sẽ làm việc trên một khái niệm quan trọng - chuyển đổi kiểu dữ liệu của các cột trong một khung dữ liệu bằng phương thức python astype () một cách chi tiết.Data Type Conversion of columns in a DataFrame using Python astype() method in detail. Trước khi đi sâu vào khái niệm chuyển đổi kiểu dữ liệu với phương thức python astype (), trước tiên chúng ta hãy xem xét kịch bản dưới đây. Trong lĩnh vực khoa học dữ liệu và học máy, chúng ta thường bắt gặp một giai đoạn mà chúng ta cần xử lý trước và chuyển đổi dữ liệu. Trong thực tế, chính xác, việc chuyển đổi các giá trị dữ liệu là bước sắc sảo hướng tới mô hình hóa. Đây là khi chuyển đổi các cột dữ liệu đi vào hình ảnh. Phương thức Python astype () cho phép chúng tôi đặt hoặc chuyển đổi kiểu dữ liệu của cột dữ liệu hiện có trong bộ dữ liệu hoặc khung dữ liệu. Bằng cách này, chúng ta có thể thay đổi hoặc chuyển đổi loại giá trị dữ liệu hoặc đơn hoặc nhiều cột thành hoàn toàn một biểu mẫu khác bằng cách sử dụng hàm ASTYPE (). Bây giờ chúng ta hãy tập trung vào chức năng cú pháp của astype () một cách chi tiết trong phần sắp tới. Chức năng cú pháp - ASTYPE ()Có một cái nhìn vào cú pháp dưới đây! DataFrame.astype(dtype, copy=True, errors=’raise’)
Đã hiểu cú pháp của chức năng, bây giờ chúng ta hãy tập trung vào việc thực hiện giống nhau! 1. Python astype () với DataFrameTrong ví dụ này, chúng tôi đã tạo một khung dữ liệu từ từ điển như được hiển thị bên dưới bằng cách sử dụng BIKE = BIKE.astype({"season_1":'category', "temp":'int64'}) BIKE.dtypes3Method. Example: import pandas as pd data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']} block = pd.DataFrame(data) print("Original Data frame:\n") print(block) block.dtypes Output: Chúng ta hãy xem các loại dữ liệu gốc của các khóa. Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri Gender object NAME object dtype: object Bây giờ, chúng tôi đã áp dụng phương thức astype () trên cột ‘giới tính và đã thay đổi kiểu dữ liệu thành‘ danh mục. block['Gender'] = block['Gender'].astype('category') block.dtypes Output: Gender category NAME object dtype: object 2. Thực hiện Python astype () với bộ dữ liệuỞ đây, chúng tôi đã nhập bộ dữ liệu bằng hàm pandas.read_csv (). Bạn có thể tìm thấy bộ dữ liệu ở đây. Example: import pandas BIKE = pandas.read_csv("Bike.csv") BIKE.dtypes Các loại dữ liệu gốc của các cột temp float64 hum float64 windspeed float64 cnt int64 season_1 int64 season_2 int64 season_3 int64 season_4 int64 yr_0 int64 yr_1 int64 mnth_1 int64 mnth_2 int64 mnth_3 int64 mnth_4 int64 mnth_5 int64 mnth_6 int64 mnth_7 int64 mnth_8 int64 mnth_9 int64 mnth_10 int64 mnth_11 int64 mnth_12 int64 weathersit_1 int64 weathersit_2 int64 weathersit_3 int64 holiday_0 int64 holiday_1 int64 dtype: object Bây giờ, chúng tôi đã cố gắng thay đổi loại dữ liệu của các biến ‘Season_1, và‘ Temp. Do đó, chúng tôi nói rằng với hàm ASTYPE (), chúng tôi có thể thay đổi các loại dữ liệu của nhiều cột trong một lần! BIKE = BIKE.astype({"season_1":'category', "temp":'int64'}) BIKE.dtypes Output: temp int64 hum float64 windspeed float64 cnt int64 season_1 category season_2 int64 season_3 int64 season_4 int64 yr_0 int64 yr_1 int64 mnth_1 int64 mnth_2 int64 mnth_3 int64 mnth_4 int64 mnth_5 int64 mnth_6 int64 mnth_7 int64 mnth_8 int64 mnth_9 int64 mnth_10 int64 mnth_11 int64 mnth_12 int64 weathersit_1 int64 weathersit_2 int64 weathersit_3 int64 holiday_0 int64 holiday_1 int64 dtype: object Sự kết luậnBằng cách này, chúng tôi đã đi đến cuối chủ đề này. Hãy bình luận bên dưới, trong trường hợp bạn bắt gặp bất kỳ câu hỏi. Để biết thêm các bài viết như vậy liên quan đến Python, hãy theo dõi và cho đến lúc đó, học hỏi hạnh phúc !! 🙂 Việc sử dụng chức năng ASTYPE là gì?Phương thức ASTYPE () được sử dụng để đúc một đối tượng gấu trúc vào một DTYPE được chỉ định. Hàm astype () cũng cung cấp khả năng chuyển đổi bất kỳ cột hiện có phù hợp thành loại phân loại. Khung dữ liệu. Hàm astype () rất tiện dụng khi chúng tôi muốn trường hợp một loại dữ liệu cột cụ thể sang kiểu dữ liệu khác.to cast a pandas object to a specified dtype. astype() function also provides the capability to convert any suitable existing column to categorical type. DataFrame. astype() function comes very handy when we want to case a particular column data type to another data type.
Astype float là gì?hàm asttype () để chuyển đổi cột từ chuỗi/int sang float, bạn có thể áp dụng nó trên một cột cụ thể hoặc trên toàn bộ khung dữ liệu. Để chuyển kiểu dữ liệu lên float có chữ ký 54 bit, bạn có thể sử dụng Numpy. float64, numpy. float_, float, float64 dưới dạng param.to convert column from string/int to float, you can apply this on a specific column or on an entire DataFrame. To cast the data type to 54-bit signed float, you can use numpy. float64 , numpy. float_ , float , float64 as param.
DTYPE ('o') nghĩa là gì?Nó có nghĩa là: 'o' (python) đối tượng.Nguồn.Ký tự đầu tiên chỉ định loại dữ liệu và các ký tự còn lại chỉ định số byte trên mỗi mục, ngoại trừ Unicode, trong đó nó được hiểu là số lượng ký tự.Kích thước vật phẩm phải tương ứng với một loại hiện có hoặc một lỗi sẽ được nêu ra.'O' (Python) objects. Source. The first character specifies the kind of data and the remaining characters specify the number of bytes per item, except for Unicode, where it is interpreted as the number of characters. The item size must correspond to an existing type, or an error will be raised.
INT64 trong Python là gì?Bạn sẽ thường thấy loại dữ liệu Int64 trong Python là viết tắt của số nguyên 64 bit.64 đề cập đến bộ nhớ được phân bổ để lưu trữ dữ liệu trong mỗi ô có hiệu quả liên quan đến số lượng nó có thể lưu trữ trong mỗi ô.64 bit integer. The 64 refers to the memory allocated to store data in each cell which effectively relates to how many digits it can store in each “cell”. |