【pandas基础】--数据类型

2023-05-27 13:52 由 wang_yb 发表于 #后端开发

数据类型是计算机编程中将不同类型的数据值分类和定义的方式。
通过数据类型，可以确定数据的存储方式和内存占用量，了解不同类型的数据进行各种运算的能力。

使用pandas进行数据分析时，最常用到的几种类型是：

字符串类型，各类文本内容都是字符串类型
数值类型，包括整数和浮点数，可用于计算
日期类型，日期在统计中非常重要，相关内容放在下一篇单独介绍
category 类型，这个类型对于数据分类非常有用

1. 字符串类型

pandas字符串类型主要用于处理文本数据或包含文本数据的列。
它可以快速、方便地对文本数据进行操作，比如：

字符串连接、分割、替换、提取等操作，例如将多个字符串合并成一个、将字符串按照特定分隔符拆分为多个子字符串等；
数据清洗和预处理，例如去除空格、标点符号、数字等非文本内容，将文本转换为小写或大写，统一格式等；
文本匹配和模式识别，例如使用正则表达式从文本中提取特定模式的内容等；
筛选和排序，例如筛选包含特定字符或模式的数据行，对数据行按照字符串排序等；

字符串在python中是str类型。

In [1]: s = "hello"

In [2]: type(s)
Out[2]: str

但是在pandas的DataFrame中则是object类型。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小华", "小红", "小明"],
        "age": [12, 15, 13],
        "score": [80.5, 98.5, 80],
    },
)

df.dtypes

为什么在pandas中，字符串是object类型呢？
因为pandas中的数据类型继承自numpy的ndarray，ndarray的每个元素都必须明确占用内存的大小。

对于int64和float64来说，它们都占用8个字节的内存，而字符串由于长度不固定，无法确定占用内存的大小，所以都用object类型，这个object类型可以看做是一个指向实际存储字符串位置的的指针。

2. 数值类型

数值类型有两种，一种是整数，一种是浮点数（也就是平时说的小数）。
一般来说，各类分析算法以及可视化展示需要的都是数值类型，数值类型是我们分析数据时使用最多的部分。

上面的示例中，age和score列分别是整数和浮点数类型。

import pandas as pd

df = pd.DataFrame(
    {
        "name": ["小华", "小红", "小明"],
        "age": [12, 15, 13],
        "score": [80.5, 98.5, 80],
    },
)

df.dtypes

DataFrame中数值类型默认是64位的，可以存储更大的数字。

3. catagory 类型

pandas中的category类型是一种用于处理分类变量的数据类型。
它可以大大提高数据处理和计算效率，并减少内存占用。

在某些情况下，数据中的一些变量只包含有限的可能取值，例如“性别”、“地区”等，这些变量可以归类为分类变量。
如果将这些变量存储为字符串或数字形式，则可能会浪费大量的内存，因为每个变量都会占据大量的空间。
这就是category类型的用处：使用category类型可以将这些变量存储为原始数据的唯一值的散列表，从而大大减少了内存占用。

除了内存优化外，category类型还提供了一些便捷的方法来处理分类变量，例如自动排序和类别之间的比较。
因此，如果数据中包含分类变量，则应该使用category类型来优化数据处理和计算效率。

下面的示例，使用中国人口统计的相关数据，默认导入之后数据情况如下：

import pandas as pd

fp = "http://databook.top:8888/pandas/cn-people.csv"
df = pd.read_csv(fp)

df

各个列的默认类型如下：

df.dtypes

其中【指标编码】和【指标中文】列的类型其实是字符串。

各个列实际占用的内存大小：

df.memory_usage(deep=True)

Index表示索引所占用的内存大小，可以看出【指标编码】和【指标中文】占用的内存比较多，而且这两列重复数据也比较多。

尝试将【指标编码】和【指标中文】两列转换为catagory类型之后，看看内存占用是否减少。

df["指标中文"] = df["指标中文"].astype("category")
df["指标编码"] = df["指标编码"].astype("category")
df.dtypes

类型已经转换成功，看看pandas是如何给catagory类型编码的。

df["指标中文"].values.codes

可以看出，是用int8类型来编码，int8类型只占用1个字节的内存，总体应该能够节省不少内存空间。

df.memory_usage(deep=True)

【指标编码】和【指标中文】两列的内存占用只有原来的约1/200。

4. 类型间的转换

pandas中的类型转换操作可以将一种数据类型转换为另一种数据类型，以便更好地处理和分析数据。

数据类型的选择会影响数据的存储方式和计算速度，因此，在不同的情况下，数据类型的选择是非常重要的，正确的选择可以有效地提高代码的性能和准确性。
例如，将文本数据转换为数字数据，可以使得数据更容易进行数值运算和可视化，从而方便地做出相关的决策和分析。

类型转换常用的两种方式是astype函数和自定义函数。

4.1 astype

类型转换最常用的方法是astype，前面介绍catagory类型时，示例中已经演示了字符串类型到catagory类型的转换。

数值类型之间，或者数值类型和字符串类型之间也是可以互相转换的。

df = pd.DataFrame(
    {
        "name": ["小华", "小红", "小明"],
        "age": [12, 15, 13],
        "score": [80.5, 98.5, 80],
    },
)
print(df.dtypes)
# int64 ==> float64
df.age = df.age.astype("float64")

# float64 ==> string
df.score = df.score.astype("str")
print(df.dtypes)

4.2 自定义函数

字符串类型也是可以转换成数值类型的，前提是字符串的内容得是数值。

df = pd.DataFrame(
    {
        "name": ["小华", "小红", "小明"],
        "money": ["￥55", "￥12", "￥58"],
        "score": ["80.5", "98.5", "80"],
    },
)
print(df.dtypes)
# df.name.astype("int64")
# df.money.astype("int64")
df.score = df.score.astype("float64")
print(df.dtypes)

score列有字符串类型转换为了float64类型，另外代码中注释的两行是不能成功转换的，去掉注释后，代码执行时会抛出异常错误。

看上面的示例数据，name列是不太可能转成数值类型的，但是money列只是多了一个人民币符号￥，其实这列本质上应该是数值类型，也许后续需要根据这列的数值来分析花费的费用等情况。

这时，直接用astype是无法完成类型转换的，要用自定义函数来去掉人民币符号￥，再转换成数值类型。

df = pd.DataFrame(
    {
        "name": ["小华", "小红", "小明"],
        "money": ["￥55", "￥12", "￥58"],
        "score": ["80.5", "98.5", "80"],
    },
)

convert = lambda s: float(s.replace("￥", ""))

print(df.dtypes)
df.money = df.money.apply(convert)
print(df.dtypes)

通过自定义的convert函数，money列成功转换成了float64类型。

5. 总结回顾

这里只是介绍了最常见的数据类型，还有日期类型也很重要，下一篇单独介绍。
除此之外，细分的话，还有以下各类数据类型：

int：整数类型
float：浮点数类型
bool：布尔类型，True/False
object：对象类型，可以是字符串、Python对象等
datetime：日期时间类型
timedelta：两个日期时间之间的差
category：分类类型，如性别、国家等
int8/16/32/64：指定大小的整数类型
uint8/16/32/64：无符号整数类型，只能是正整数