pandas.Series.astype

Series.astype(dtype, copy=None, errors='raise')[source]

Преобразование объекта pandas к указанному типу данных dtype.

Параметры:

dtype:str, тип данных, Series или отображение имени столбца -> тип данных

Используйте str, numpy.dtype, pandas.ExtensionDtype или Python тип для преобразования всего объекта pandas к одному типу. В качестве альтернативы используйте отображение, например, {col: dtype, …}, где col — метка столбца, а dtype — numpy.dtype или Python тип для преобразования одного или нескольких столбцов DataFrame к столбце-специфическим типам.

copy:bool, по умолчанию True

Возвращает копию, когда copy=True (будьте очень осторожны при установке copy=False , так как изменения значений могут затем распространиться на другие объекты pandas).

Примечание

Ключевое слово copy изменит поведение в pandas 3.0. Copy-on-Write будет включено по умолчанию, что означает, что все методы с ключевым словом copy будут использовать механизм ленивой копии для отсрочки копии и игнорирования ключевого слова copy. Ключевое слово copy будет удалено в будущей версии pandas.

Вы уже можете получить будущее поведение и улучшения, включив copy on write pd.options.mode.copy_on_write = True

errors:{‘raise’, ‘ignore’}, по умолчанию ‘raise’

Управление повышением исключений при некорректных данных для предоставленного типа данных.

• raise : разрешить повышение исключений

• ignore : подавить исключения. В случае ошибки вернуть исходный объект.

Возвращает:

тот же тип, что и вызывающий объект

См. также

to_datetime

Преобразование аргумента в дату и время.

to_timedelta

Преобразование аргумента в продолжительность.

to_numeric

Преобразование аргумента в числовой тип.

numpy.ndarray.astype

Преобразование массива NumPy к указанному типу.

Примечания

Изменено в версии 2.0.0: Использование astype для преобразования из наивного типа временной зоны в тип временной зоны с временной зоной приведет к ошибке. Используйте Series.dt.tz_localize() вместо этого.

Примеры

Создание DataFrame:

>>> d = {'col1': [1, 2], 'col2': [3, 4]}
>>> df = pd.DataFrame(data=d)
>>> df.dtypes
col1    int64
col2    int64
dtype: object

Преобразование всех столбцов к типу int32:

>>> df.astype('int32').dtypes
col1    int32
col2    int32
dtype: object

Преобразование col1 к типу int32 с использованием словаря:

>>> df.astype({'col1': 'int32'}).dtypes
col1    int32
col2    int64
dtype: object

Создание Series:

>>> ser = pd.Series([1, 2], dtype='int32')
>>> ser
0    1
1    2
dtype: int32
>>> ser.astype('int64')
0    1
1    2
dtype: int64

Преобразование к категориальному типу:

>>> ser.astype('category')
0    1
1    2
dtype: category
Categories (2, int32): [1, 2]

Преобразование к упорядоченному категориальному типу с пользовательским упорядочением:

>>> 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]

Создание Series дат:

>>> 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]