4-1 数据类型的转科单

4-1 数据类型的转科单：astype与to_numeric

本节摘要：object列转数值用to_numeric配errors参数最稳，astype适合干净数据的常规转科，category血型能大幅省内存并固定类别顺序。本节结掉第01章埋的病灶：金额列里的字符串'880'。

承接内科出院的数据：缺失与重复已清，但金额列仍是object血型——聚合、画图、建模全被它拖住。转科是可计算的前提。

首诊：确认血型病灶

import pandas as pd

df = pd.DataFrame({
    '金额': [1280, 960, 1732, '880', 2100],
    '折扣': ['0.9', '0.85', '0.9', '0.8', '0.95'],
    '门店': ['A', 'B', 'A', 'C', 'A'],
})
print(df.dtypes)
# 金额    object   ← 病灶：一粒字符串坏一列
# 折扣    object
# 门店    object

# 直觉写法直接转：
# df['金额'].astype(int)  # 抛 ValueError：cannot convert...
​

astype是"完全信任"的转科：数据里有一个异类就直接抛异常。两种态度可选。

to_numeric的三种态度

# 态度一 errors='raise'：见异类就停（默认）
# 态度二 errors='coerce'：异类转NaN，其余照转
fixed = pd.to_numeric(df['金额'], errors='coerce')
print(fixed)
# 0    1280.0
# 1     960.0
# 2    1732.0
# 3      NaN   ← '880'确实能转，此处示意异类下场
# 4    2100.0

# 态度三 errors='ignore'：整列放弃转科（已不推荐）
​

coerce的代价要认清：异类被静默换成NaN，等于把类型病转成了缺失病。转完必须跟一句isna统计，把被转换的行捞出来人工过目，而不是让它们再悄悄溜进第03章的流程。

# 正规转科单：转、查、修三连
df['金额'] = pd.to_numeric(df['金额'], errors='coerce')
bad = df[df['金额'].isna()]
print('转科失败的行：', bad.index.tolist())
# 若 '880' 本是合法金额只是格式脏，先清洗再转：
dirty = pd.Series(['1,280', '960', '880'])
cleaned = dirty.str.replace(',', '', regex=False).astype(int)
print(cleaned.sum())   # 3120
​

astype的常规转科

数据干净后，astype承担日常转科：

df['折扣'] = df['折扣'].astype(float)
# 类型健康后，跨列计算一行完成——这在object血型下根本跑不动
df['实付'] = (df['金额'].fillna(0) * df['折扣']).round(2)
print(df[['金额', '折扣', '实付']])
#      金额    折扣     实付
# 0  1280.0  0.90  1152.00
# 1   960.0  0.85   816.00
# 2  1732.0  0.90  1558.80
# 4  2100.0  0.95  1995.00

# 数值转字符串（如要拼接单号）
print(df['门店'] + df.index.astype(str))  # A0 B1 A2 C4
​

category血型的红利

门店这种列只有三五种取值却重复一千次，object按字符串存一千遍。category把它压成"编码加字典"：

df['门店'] = df['门店'].astype('category')
print(df['门店'].dtype)
# category
print(df['门店'].cat.categories.tolist())   # ['A', 'B', 'C']
print(df['门店'].memory_usage(deep=True))   # 显著小于object版

# 固定类别顺序：让第05章的分组报告按业务序而非字母序排
df['门店'] = df['门店'].cat.set_categories(['C', 'B', 'A'])
print(df['门店'].value_counts().index.tolist())  # ['C', 'B', 'A']
​

转科决策路径

常见转科路径与风险

本节要点回顾

• astype零容忍，异类直接抛异常；脏数据用to_numeric配coerce
• coerce的代价是静默NaN，转科后必须isna复核
• 千分位等格式病先str清洗再转，顺序不能反
• category三红利：省内存、定类别序、加速分组
• 类型病与缺失病会互相转化，两条流水线要联动看

追问：select_dtypes批量按血型操作

转科之外还有按血型整批处理的场景：把所有数值列一起标准化、把所有文本列一起消毒。select_dtypes就是按血型点名：

num_cols = df.select_dtypes('number').columns
text_cols = df.select_dtypes('object').columns
print(num_cols.tolist(), text_cols.tolist())
# ['金额', '折扣'] ['门店']

# 批量消毒：所有文本列一次过strip
for c in text_cols:
    df[c] = df[c].str.strip()
​

配合第四章的规范化清单，select_dtypes能写成通用的出院检查函数——不管表结构怎么变，"所有object列先审视一遍"这条纪律永远成立。

下一节进影像科：那些大得吓人的金额，是病还是传奇。