在熊猫数据框中按行应用时如何保留数据类型？

Question

我遇到了一个奇怪的问题，即在数据帧上按行使用 apply 函数不会保留数据帧中值的数据类型。有没有办法在保留原始数据类型的数据帧上逐行应用函数？

下面的代码演示了这个问题。如果在下面的 format 函数中没有 int(...) 转换，则会出现错误，因为数据帧中的 int 在传递到 func 时被转换为浮点数。

import pandas as pd

df = pd.DataFrame({'int_col': [1, 2], 'float_col': [1.23, 4.56]})
print(df)
print(df.dtypes)

def func(int_and_float):
    int_val, float_val = int_and_float
    print('int_val type:', type(int_val))
    print('float_val type:', type(float_val))
    return 'int-{:03d}_float-{:5.3f}'.format(int(int_val), float_val)

df['string_col'] = df[['int_col', 'float_col']].apply(func, axis=1)
print(df)

这是运行上述代码的输出：

   float_col  int_col
0       1.23        1
1       4.56        2
float_col    float64
int_col        int64
dtype: object
int_val type: <class 'numpy.float64'>
float_val type: <class 'numpy.float64'>
int_val type: <class 'numpy.float64'>
float_val type: <class 'numpy.float64'>
   float_col  int_col           string_col
0       1.23        1  int-001_float-1.230
1       4.56        2  int-002_float-4.560

请注意，即使 df 的 int_col 列具有 dtype int64，当该列中的值传递到函数 func 时，它们突然具有 dtype numpy.float64，我必须使用 @987654332 @ 在函数的最后一行进行转换，否则该行会出错。

如有必要，我可以按这里的方式处理此问题，但我真的很想了解为什么会出现这种意外行为。

Answer 1

你的整数被upcasted变成浮点数。如果可能，Pandas（和 NumPy）将尝试将 Series（或 ndarray）制作成单一数据类型。据我所知，没有记录向上转换的确切规则，但是您可以看到使用numpy.find_common_type 将如何向上转换不同的类型。

您可以通过在调用 apply 之前将 DataFrame 转换为“Object”类型来欺骗 Pandas 和 NumPy 保持原始数据类型，如下所示：

df['string_col'] = df[['int_col', 'float_col']].astype('O').apply(func, axis=1)

---

让我们分解这里发生的事情。首先，我们做.astype('O')之后df会发生什么？

as_object = df[['int_col', 'float_col']].astype('O')
print(as_object.dtypes)

给予：

int_col      object
float_col    object
dtype: object

好的，现在两列都具有相同的 dtype，即 object。从之前我们就知道apply()（或其他任何从 DataFrame 中提取一行的东西）会尝试将两列转换为相同的 dtype，但它会看到它们已经相同，所以没有什么可做的。

但是，我们仍然能够获取原始整数和浮点数，因为dtype('O') 表现为某种容器类型，可以容纳任何 python 对象。通常，当 Series 包含不应混合的类型（如字符串和整数）或 NumPy 不理解的任何 python 对象时使用它。

Answer 2

发生的情况是，当您执行 apply(axis=1) 时，您的输入行将作为 pandas 系列传递。而且，在 pandas 中，一个系列有一个 dtype。由于您的行同时具有整数和浮点数，因此整个系列都被强制转换为浮点数。

import pandas as pd

df = pd.DataFrame({'int_col': [1, 2], 'float_col': [1.23, 4.56]})

def func(int_and_float):
    int_val, float_val = int_and_float
    print('\n')
    print('Prints input series')
    print(int_and_float)
    print('\n')
    return 'int-{:03d}_float-{:5.3f}'.format(int(int_val), float_val)

df['string_col'] = df[['int_col', 'float_col']].apply(func, axis=1)

输出：

Prints input series
int_col      1.00
float_col    1.23
Name: 0, dtype: float64




Prints input series
int_col      2.00
float_col    4.56
Name: 1, dtype: float64