python pandas to_numeric用法及代碼示例

woff

用法

1. pandas.to_numeric(arg, errors='raise', downcast=None)

複製代碼

將參數轉換為數字類型。

默認返回dtype為float64或者int64取決於提供的數據。使用downcast參數以獲取其他dtype。

請注意，如果傳入非常大的數字，則可能會導致精度損失。ndarray，如果數字小於-9223372036854775808(np.iinfo(np.int64).min)或大於18446744073709551615(np.iinfo(np.uint64).max)傳入，很可能會將它們轉換為float以便將其存儲在ndarray。這些警告類似地適用於Series因為它在內部發揮了作用ndarray。

參數：

arg：scalar, list, tuple, 1-d array, 或 Series
errors：{‘ignore’, ‘raise’, ‘coerce’}, 默認為 ‘raise’
如果為‘raise’，則無效的解析將引發異常。

如果為‘coerce’，則將無效解析設置為NaN。

如果為‘ignore’，則無效的解析將返回輸入。

downcast：

{‘integer’, ‘signed’, ‘unsigned’, ‘float’}, 默認為 None
如果不是None，並且數據已成功轉換為數字dtype(或者數據是從數字開始的)，則根據以下規則將結果數據轉換為可能的最小數字dtype：
‘integer’或‘signed’：最小有符號整數類型(最小值：np.int8)
‘unsigned’：最小的無符號整數dtype(最小值：np.uint8)
‘float’：最小浮點dtype(最小值：np.float32)
由於此行為與內核轉換為數值的行為是分開的，因此無論‘errors’輸入的值如何，在向下轉換期間引發的任何錯誤都將浮出水面。

此外，僅當結果數據的dtype的大小嚴格大於要強製轉換為dtype的dtype時，才會發生向下轉換，因此，如果檢查的所有dtype都不滿足該規範，則不會對該數據執行向下轉換。

返回值：
ret：如果解析成功，則為數字。

返回類型取決於輸入。如果為Series，則為Series，否則為ndarray。

例子：

採取單獨的 Series 並轉換為數字，當被告知時強製

1. >>> s = pd.Series(['1.0', '2', -3])
   
2. >>> pd.to_numeric(s)
   
3. 0    1.0
   
4. 1    2.0
   
5. 2   -3.0
   
6. dtype:float64
   
7. >>> pd.to_numeric(s, downcast='float')
   
8. 0    1.0
   
9. 1    2.0
   
10. 2   -3.0
    
11. dtype:float32
    
12. >>> pd.to_numeric(s, downcast='signed')
    
13. 0    1
    
14. 1    2
    
15. 2   -3
    
16. dtype:int8
    
17. >>> s = pd.Series(['apple', '1.0', '2', -3])
    
18. >>> pd.to_numeric(s, errors='ignore')
    
19. 0    apple
    
20. 1      1.0
    
21. 2        2
    
22. 3       -3
    
23. dtype:object
    
24. >>> pd.to_numeric(s, errors='coerce')
    
25. 0    NaN
    
26. 1    1.0
    
27. 2    2.0
    
28. 3   -3.0
    
29. dtype:float64

複製代碼

源碼：

pandas.to_numeric的API實現見：[源代碼]

文章出處