dask_expr._collection.Series.astype
dask_expr._collection.Series.astype¶
- Series.astype(dtypes)¶
将 pandas 对象转换为指定的数据类型
dtype。此文档字符串是从 pandas.core.frame.DataFrame.astype 复制而来的。
Dask 版本可能存在一些不一致性。
- 参数
- dtypestr, 数据类型, Series 或 列名 -> 数据类型的映射
使用 str、numpy.dtype、pandas.ExtensionDtype 或 Python 类型将整个 pandas 对象转换为相同类型。或者，使用映射，例如 {col: dtype, …}，其中 col 是列标签，dtype 是 numpy.dtype 或 Python 类型，将一个或多个 DataFrame 的列转换为列特定的类型。
- 复制bool, 默认 True (Dask 不支持)
当
copy=True时返回一个副本（设置copy=False时要非常小心，因为对值的更改可能会传播到其他 pandas 对象）。备注
copy 关键字将在 pandas 3.0 中改变行为。写时复制 将被默认启用，这意味着所有带有 copy 关键字的方法将使用延迟复制机制来推迟复制并忽略 copy 关键字。copy 关键字将在未来版本的 pandas 中被移除。
您已经可以通过启用写时复制
pd.options.mode.copy_on_write = True来获得未来的行为和改进。- 错误{‘raise’, ‘ignore’}, 默认 ‘raise’ (Dask 不支持)
控制对提供的 dtype 的无效数据引发异常。
raise: 允许异常被抛出ignore: 抑制异常。在错误时返回原始对象。
- 返回
- 与调用者相同类型
参见
to_datetime将参数转换为日期时间。
to_timedelta将参数转换为 timedelta。
to_numeric将参数转换为数值类型。
numpy.ndarray.astype将 numpy 数组转换为指定类型。
注释
在 2.0.0 版更改: 使用
astype将时区无感知的 dtype 转换为时区感知的 dtype 将引发异常。请改用Series.dt.tz_localize()。示例
创建一个 DataFrame：
>>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df.dtypes col1 int64 col2 int64 dtype: object
将所有列转换为 int32：
>>> df.astype('int32').dtypes col1 int32 col2 int32 dtype: object
使用字典将 col1 转换为 int32：
>>> df.astype({'col1': 'int32'}).dtypes col1 int32 col2 int64 dtype: object
创建一个系列：
>>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0 1 1 2 dtype: int32 >>> ser.astype('int64') 0 1 1 2 dtype: int64
转换为分类类型：
>>> ser.astype('category') 0 1 1 2 dtype: category Categories (2, int32): [1, 2]
转换为有序分类类型，使用自定义排序：
>>> from pandas.api.types import CategoricalDtype >>> cat_dtype = CategoricalDtype( ... categories=[2, 1], ordered=True) >>> ser.astype(cat_dtype) 0 1 1 2 dtype: category Categories (2, int64): [2 < 1]
创建一系列日期：
>>> ser_date = pd.Series(pd.date_range('20200101', periods=3)) >>> ser_date 0 2020-01-01 1 2020-01-02 2 2020-01-03 dtype: datetime64[ns]