锋哥原创的Pandas2 Python数据处理与分析 视频教程：
2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili
Pandas 提供了灵活的方法来处理数据类型转换，以下是常见操作及代码示例：
1. 查看数据类型
import pandas as pd
df = pd.DataFrame({
'A': ['1', '2', '3'],
'B': [4, 5, 6],
'C': ['2025-01-01', '2025-02-01', '2025-03-01']
})
print(df.dtypes)
# 输出：
# A object
# B int64
# C object
2. 使用 astype() 转换类型
基本转换：
df['A'] = df['A'].astype(int) # 转换为整数
df['B'] = df['B'].astype(float) # 转换为浮点数运行结果：
3. 使用 pd.to_numeric() 处理数值转换
to_numeric()方法详解：
pandas.to_numeric(
arg,
errors='raise',
downcast=None
)参数说明：
| 参数 | 类型 | 说明 |
|---|---|---|
arg |
Series, list, 1D数组 | 需要转换的输入数据 |
errors |
{'ignore', 'raise', 'coerce'}, 默认 'raise' |
控制无效值的处理方式： - 'raise': 遇到非数值字符报错（默认） - 'coerce': 将无效值转为 NaN - 'ignore': 保留原值，不转换 |
downcast |
{'integer', 'signed', 'unsigned', 'float'}, 默认 None |
降低内存占用： - 'integer'/'signed'/'unsigned': 寻找最小整数类型（如 int8, int16） - 'float': 寻找最小浮点类型（如 float32） |
使用 errors='coerce' 避免转换失败导致程序中断。
import pandas as pd
s = pd.Series(['1', '2', 'apple', '4'])
s_numeric = pd.to_numeric(s, errors='coerce') # 无效值转为 NaN
# 输出： [1.0, 2.0, NaN, 4.0]
s_ignore = pd.to_numeric(s, errors='ignore') # 保留原数据
to_numeric函数中的downcast参数用于控制数值类型的转换，可以减少内存使用量，同时保持数据的准确性。
import pandas as pd
s = pd.Series([1.0, 2.0, 3.0])
s = pd.to_numeric(s, downcast='integer') # 转换为最小整数类型 (int8/int16/...)
4. 日期时间转换to_datetime()
import pandas as pd
df = pd.DataFrame({
'A': ['1', '2', '3'],
'B': [4, 5, 6],
'C': ['2025-01-01', '2025-02-01', 'ccc']
})
df['C'] = pd.to_datetime(df['C'],errors='coerce') # 转换为 datetime 类型
5. 处理缺失值与类型推断
填充缺失值后转换：
import pandas as pd
df = pd.DataFrame({
'A': ['1', '2', '3'],
'B': [4, 5, 6],
'C': ['2025-01-01', '2025-02-01', 'ccc']
})
df['D'] = ['10', None, '30']
df['D'] = df['D'].fillna(0).astype(int) # 填充 NaN 后转为整数
Pandas可以用以下方法智能地推断各列的数据类型，会返回一个按推断修改后的DataFrame。
import pandas as pd
df = pd.DataFrame({
'A': ['1', '2', '3'],
'B': [4, 5, 6]
})
df = df.convert_dtypes() # 自动推断更合适的数据类型