pandas.Series.convert_dtypes

Series.convert_dtypes(infer_objects=True, convert_string=True, convert_integer=True, convert_boolean=True, convert_floating=True, dtype_backend='numpy_nullable')[source]

Преобразовать столбцы в наилучшие возможные типы данных, используя типы данных, поддерживающие pd.NA.

Параметры:

infer_objects:bool, по умолчанию True

Преобразовывать ли типы данных object в наилучшие возможные типы.

convert_string:bool, по умолчанию True

Преобразовывать ли типы данных object в StringDtype().

convert_integer:bool, по умолчанию True

Если возможно, выполнить преобразование в целочисленные расширенные типы.

convert_boolean:bool, по умолчанию True

Преобразовывать ли типы данных object в BooleanDtypes().

convert_floating:bool, по умолчанию True

Если возможно, выполнить преобразование в вещественные расширенные типы. Если convert_integer также True, будет отдаваться предпочтение целочисленным типам, если вещественные числа можно корректно привести к целым числам.

dtype_backend:{‘numpy_nullable’, ‘pyarrow’}, по умолчанию ‘numpy_nullable’

Обработка типа данных, применяемая к результирующему DataFrame (ещё экспериментально). Поведение следующее:

• "numpy_nullable": возвращает DataFrame с поддержкой типов данных с NULL (по умолчанию).

• "pyarrow": возвращает ArrowDtype DataFrame с поддержкой NULL, основанный на pyarrow.

В версии 2.0.

Возвращает:

Series или DataFrame

Копия входного объекта с новым типом данных.

См. также

infer_objects

Вывести типы данных объектов.

to_datetime

Преобразовать аргумент в дату и время.

to_timedelta

Преобразовать аргумент в промежуток времени.

to_numeric

Преобразовать аргумент в числовой тип.

Примечания

По умолчанию, convert_dtypes будет пытаться преобразовать Series (или каждый Series в DataFrame) в типы данных, которые поддерживают pd.NA. Используя опции convert_string, convert_integer, convert_boolean и convert_floating, можно отключить отдельные преобразования в StringDtype, целочисленные расширенные типы, BooleanDtype или вещественные расширенные типы соответственно.

Для столбцов с типом данных object, если infer_objects равно True, используйте правила вывода, как при обычном создании Series/DataFrame. Затем, если возможно, преобразуйте в StringDtype, BooleanDtype или соответствующий целочисленный или вещественный расширенный тип, в противном случае оставьте как object.

Если тип данных является целочисленным, преобразуйте в соответствующий целочисленный расширенный тип.

Если тип данных является числовым и состоит только из целых чисел, преобразуйте в соответствующий целочисленный расширенный тип. В противном случае преобразуйте в соответствующий вещественный расширенный тип.

В будущем, с добавлением новых типов данных, поддерживающих pd.NA, результаты этого метода будут изменены для поддержки этих новых типов данных.

Примеры

>>> df = pd.DataFrame(
...     {
...         "a": pd.Series([1, 2, 3], dtype=np.dtype("int32")),
...         "b": pd.Series(["x", "y", "z"], dtype=np.dtype("O")),
...         "c": pd.Series([True, False, np.nan], dtype=np.dtype("O")),
...         "d": pd.Series(["h", "i", np.nan], dtype=np.dtype("O")),
...         "e": pd.Series([10, np.nan, 20], dtype=np.dtype("float")),
...         "f": pd.Series([np.nan, 100.5, 200], dtype=np.dtype("float")),
...     }
... )

Начните с DataFrame с типовыми типами данных.

>>> df
   a  b      c    d     e      f
0  1  x   True    h  10.0    NaN
1  2  y  False    i   NaN  100.5
2  3  z    NaN  NaN  20.0  200.0

>>> df.dtypes
a      int32
b     object
c     object
d     object
e    float64
f    float64
dtype: object

Преобразуйте DataFrame для использования наилучших возможных типов данных.

>>> dfn = df.convert_dtypes()
>>> dfn
   a  b      c     d     e      f
0  1  x   True     h    10   <NA>
1  2  y  False     i  <NA>  100.5
2  3  z   <NA>  <NA>    20  200.0

>>> dfn.dtypes
a             Int32
b    string[python]
c           boolean
d    string[python]
e             Int64
f           Float64
dtype: object

Начните с Series строк и пропущенных данных, представленных np.nan.

>>> s = pd.Series(["a", "b", np.nan])
>>> s
0      a
1      b
2    NaN
dtype: object

Получите Series с типом данных StringDtype.

>>> s.convert_dtypes()
0       a
1       b
2    <NA>
dtype: string