pandas.Series.astype#

Series.astype(dtype, copy=<no_default>, errors='raise')[源代码]#

将 pandas 对象转换为指定的数据类型 dtype。

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 的列转换为特定列类型。

复制bool, 默认 False

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 中更改行为。写时复制将默认启用，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。

通过启用写时复制 pd.options.mode.copy_on_write = True，您已经可以获得未来的行为和改进。

自 3.0.0 版本弃用.

错误{‘raise’, ‘ignore’}, 默认 ‘raise’

控制对提供的dtype无效数据引发异常。

raise : 允许异常被引发
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: 转换为指定 dtype 的 pandas 对象。

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: 将一个 numpy 数组转换为指定类型。

注释

在 2.0.0 版本发生变更: 使用 astype 从无时区数据类型转换为有时区数据类型将引发异常。请改用 Series.dt.tz_localize()。

例子

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，并使用自定义排序：

>>> 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]