你可以使用三种主要选项来转换pandas的类型：
to_numeric()提供安全地将非数字类型（例如字符串）转换为合适的数字类型的功能。（另请参见
to_datetime()和
to_timedelta()。）
astype()-将（几乎）任何类型转换为（几乎）任何其他类型（即使这样做不一定明智）。还允许你转换为分类类型（非常有用）。
infer_objects()一种实用方法，如果可能的话，将保存Python对象的对象列转换为熊猫类型。
继续阅读以获取每种方法的更详细的解释和用法。
1。 to_numeric()
将Dataframe的一列或多列转换为数值的最佳方法是使用
pandas.to_numeric()。
此函数将尝试将非数字对象（例如字符串）适当地更改为整数或浮点数。
基本用法
输入的to_numeric()是Dataframe的Series或单个列。
>>> s = pd.Series(["8", 6, "7.5", 3, "0.9"]) # mixed string and numeric values>>> s0 81 62 7.53 34 0.9dtype: object>>> pd.to_numeric(s) # convert everything to float values0 8.01 6.02 7.53 3.04 0.9dtype: float64
如你所见，将返回一个新的Series。请记住，将此输出分配给变量或列名以继续使用它：
# convert Seriesmy_series = pd.to_numeric(my_series)# convert column "a" of a Dataframedf["a"] = pd.to_numeric(df["a"])
你还可以通过以下apply()方法使用它来转换Dataframe的多个列：
# convert all columns of Dataframedf = df.apply(pd.to_numeric) # convert all columns of Dataframe# convert just columns "a" and "b"df[["a", "b"]] = df[["a", "b"]].apply(pd.to_numeric)
只要你的值都可以转换，那可能就是你所需要的。
错误处理
但是，如果某些值不能转换为数字类型怎么办？
to_numeric()还使用
errors关键字参数，该参数允许你将非数字值强制为NaN，或仅忽略包含这些值的列。
这是一个使用一系列s具有对象dtype 的字符串的示例：
>>> s = pd.Series(['1', '2', '4.7', 'pandas', '10'])>>> s0 11 22 4.73 pandas4 10dtype: object
如果无法转换值，则默认行为是引发。在这种情况下，它不能处理字符串“ pandas”：
>>> pd.to_numeric(s) # or pd.to_numeric(s, errors='raise')ValueError: Unable to parse string
我们可能希望将“ pandas”视为丢失/错误的数值，而不是失败。我们可以NaN使用errors关键字参数将无效值强制如下：
>>> pd.to_numeric(s, errors='coerce')0 1.01 2.02 4.73 NaN4 10.0dtype: float64
第三个选项errors只是在遇到无效值时忽略该操作：
>>> pd.to_numeric(s, errors='ignore')# the original Series is returned untouched
当你要转换整个Dataframe，但又不知道我们哪些列可以可靠地转换为数字类型时，最后一个选项特别有用。在这种情况下，只需写：
df.apply(pd.to_numeric, errors='ignore')
该函数将应用于Dataframe的每一列。可以转换为数字类型的列将被转换，而不能转换（例如，它们包含非数字字符串或日期）的列将被保留。
向下转型
默认情况下，
with转换
to_numeric()将为你提供
a int64或
float64dtype（或平台固有的任何整数宽度）。
通常这就是你想要的，但是如果你想节省一些内存并使用更紧凑的dtype，如float32或int8呢？
to_numeric()你可以选择向下转换为“整数”，“有符号”，“无符号”，“浮点型”。这是一个简单s的整数类型系列的示例：
>>> s = pd.Series([1, 2, -7])>>> s0 11 22 -7dtype: int64
向下转换为“整数”将使用可以保存值的最小整数：
>>> pd.to_numeric(s, downcast='integer')0 11 22 -7dtype: int8
向下转换为“ float”类似地选择了一个比普通浮点型小的类型：
>>> pd.to_numeric(s, downcast='float')0 1.01 2.02 -7.0dtype: float32
2。 astype()
该astype()方法使你可以明确表示想要Dataframe或Series具有的dtype。它非常通用，可以尝试从一种类型转换为另一种类型。
基本用法
只需选择一种类型：你可以使用NumPy dtype（例如np.int16），某些Python类型（例如bool）或特定于熊猫的类型（例如类别dtype）。
在要转换的对象上调用方法，然后astype()将尝试为你转换：
# convert all Dataframe columns to the int64 dtypedf = df.astype(int)# convert column "a" to int64 dtype and "b" to complex typedf = df.astype({"a": int, "b": complex})# convert Series to float16 types = s.astype(np.float16)# convert Series to Python stringss = s.astype(str)# convert Series to categorical type - see docs for more detailss = s.astype('category')注意，我说的是“尝试”-如果
astype()不知道如何在
Series或
Dataframe中转换值，则会引发错误。例如，如果你具有NaNor inf值，则在尝试将其转换为整数时会出错。
从熊猫0.20.0开始，可以通过传递来抑制此错误
errors='ignore'。你的原始对象将保持原样返回。
注意：
astype()功能强大，但有时会“错误地”转换值。例如：
>>> s = pd.Series([1, 2, -7])>>> s0 11 22 -7dtype: int64
这些都是小整数，那么如何转换为无符号8位类型以节省内存呢？
>>> s.astype(np.uint8)0 11 22 249dtype: uint8
转换工作，但-7包裹轮成为249（如2 8 - 7）！
尝试使用向下转换来
pd.to_numeric(s, downcast='unsigned')帮助防止此错误。
3。 infer_objects()
pandas的0.21.0版引入了
infer_objects()将具有对象数据类型的
Dataframe列转换为更特定类型（软转换）的方法。
例如，这是一个带有两列对象类型的
Dataframe。一个保存实际的整数，另一个保存代表整数的字符串：
>>> df = pd.Dataframe({'a': [7, 1, 5], 'b': ['3','2','1']}, dtype='object')>>> df.dtypesa objectb objectdtype: object使用
infer_objects()，你可以将列
'a'的类型更改为int64：
>>> df = df.infer_objects()>>> df.dtypesa int64b objectdtype: object
由于列“ b”的值是字符串而不是整数，因此已被保留。如果要尝试强制将两列都转换为整数类型，则可以
df.astype(int)改用。
