Konversi float ke ints di Pandas?

Saya telah bekerja dengan data yang diimpor dari CSV. Panda mengubah beberapa kolom menjadi mengambang, jadi sekarang angka-angka dalam kolom ini ditampilkan sebagai titik mengambang! Namun, saya ingin mereka ditampilkan sebagai bilangan bulat, atau, tanpa koma. Apakah ada cara untuk mengubahnya menjadi bilangan bulat atau tidak menampilkan koma?

Untuk memodifikasi keluaran float, lakukan ini:

df= pd.DataFrame(range(5), columns=['a'])
df.a = df.a.astype(float)
df

Out[33]:

          a
0 0.0000000
1 1.0000000
2 2.0000000
3 3.0000000
4 4.0000000

pd.options.display.float_format = '{:,.0f}'.format
df

Out[35]:

   a
0  0
1  1
2  2
3  3
4  4

Menggunakan pandas.DataFrame.astype(<type>) fungsi ini untuk memanipulasi dtypes kolom.

>>> df = pd.DataFrame(np.random.rand(3,4), columns=list("ABCD"))
>>> df
          A         B         C         D
0  0.542447  0.949988  0.669239  0.879887
1  0.068542  0.757775  0.891903  0.384542
2  0.021274  0.587504  0.180426  0.574300
>>> df[list("ABCD")] = df[list("ABCD")].astype(int)
>>> df
   A  B  C  D
0  0  0  0  0
1  0  0  0  0
2  0  0  0  0

EDIT:

Untuk menangani nilai yang hilang:

>>> df
          A         B     C         D
0  0.475103  0.355453  0.66  0.869336
1  0.260395  0.200287   NaN  0.617024
2  0.517692  0.735613  0.18  0.657106
>>> df[list("ABCD")] = df[list("ABCD")].fillna(0.0).astype(int)
>>> df
   A  B  C  D
0  0  0  0  0
1  0  0  0  0
2  0  0  0  0

Mempertimbangkan kerangka data berikut:

>>> df = pd.DataFrame(10*np.random.rand(3, 4), columns=list("ABCD"))
>>> print(df)
...           A         B         C         D
... 0  8.362940  0.354027  1.916283  6.226750
... 1  1.988232  9.003545  9.277504  8.522808
... 2  1.141432  4.935593  2.700118  7.739108

Menggunakan daftar nama kolom, ubah jenis untuk beberapa kolom dengan applymap():

>>> cols = ['A', 'B']
>>> df[cols] = df[cols].applymap(np.int64)
>>> print(df)
...    A  B         C         D
... 0  8  0  1.916283  6.226750
... 1  1  9  9.277504  8.522808
... 2  1  4  2.700118  7.739108

Atau untuk satu kolom dengan apply():

>>> df['C'] = df['C'].apply(np.int64)
>>> print(df)
...    A  B  C         D
... 0  8  0  1  6.226750
... 1  1  9  9  8.522808
... 2  1  4  2  7.739108

Ini adalah solusi cepat jika Anda ingin mengkonversi lebih banyak kolom pandas.DataFramedari float ke integer dengan mempertimbangkan juga kasus bahwa Anda dapat memiliki nilai NaN.

cols = ['col_1', 'col_2', 'col_3', 'col_4']
for col in cols:
   df[col] = df[col].apply(lambda x: int(x) if x == x else "")

Saya mencoba dengan else x)dan else None), tetapi hasilnya masih memiliki nomor float, jadi saya gunakan else "".

Memperluas pada @Ryan G menyebutkan penggunaan pandas.DataFrame.astype(<type>)metode ini, orang dapat menggunakan errors=ignoreargumen untuk hanya mengonversi kolom-kolom yang tidak menghasilkan kesalahan, yang terutama menyederhanakan sintaksis. Jelas, kehati-hatian harus diterapkan ketika mengabaikan kesalahan, tetapi untuk tugas ini sangat berguna.

>>> df = pd.DataFrame(np.random.rand(3, 4), columns=list('ABCD'))
>>> df *= 10
>>> print(df)
...           A       B       C       D
... 0   2.16861 8.34139 1.83434 6.91706
... 1   5.85938 9.71712 5.53371 4.26542
... 2   0.50112 4.06725 1.99795 4.75698

>>> df['E'] = list('XYZ')
>>> df.astype(int, errors='ignore')
>>> print(df)
...     A   B   C   D   E
... 0   2   8   1   6   X
... 1   5   9   5   4   Y
... 2   0   4   1   4   Z

Dari pandas.DataFrame.astype docs:

kesalahan: {'naikkan', 'abaikan'}, default 'naikkan'

Mengontrol peningkatan pengecualian pada data yang tidak valid untuk tipe yang disediakan.

• naikkan: izinkan pengecualian dimunculkan
• abaikan: menekan pengecualian. Pada kesalahan mengembalikan objek asli

Baru dalam versi 0.20.0.

>>> import pandas as pd
>>> right = pd.DataFrame({'C': [1.002, 2.003], 'D': [1.009, 4.55], 'key': ['K0', 'K1']})
>>> print(right)
           C      D key
    0  1.002  1.009  K0
    1  2.003  4.550  K1
>>> right['C'] = right.C.astype(int)
>>> print(right)
       C      D key
    0  1  1.009  K0
    1  2  4.550  K1

Untuk mengkonversi semua kolom float ke int

>>> df = pd.DataFrame(np.random.rand(5, 4) * 10, columns=list('PQRS'))
>>> print(df)
...     P           Q           R           S
... 0   4.395994    0.844292    8.543430    1.933934
... 1   0.311974    9.519054    6.171577    3.859993
... 2   2.056797    0.836150    5.270513    3.224497
... 3   3.919300    8.562298    6.852941    1.415992
... 4   9.958550    9.013425    8.703142    3.588733

>>> float_col = df.select_dtypes(include=['float64']) # This will select float columns only
>>> # list(float_col.columns.values)
>>> for col in float_col.columns.values:
...     df[col] = df[col].astype('int64')
>>> print(df)
...     P   Q   R   S
... 0   4   0   8   1
... 1   0   9   6   3
... 2   2   0   5   3
... 3   3   8   6   1
... 4   9   9   8   3

Berikut adalah fungsi sederhana yang akan mengirim data mengambang ke tipe integer sekecil mungkin yang tidak kehilangan informasi apa pun. Sebagai contoh,

• 100.0 dapat dikonversi dari float ke integer, tetapi 99.9 tidak dapat (tanpa kehilangan informasi menjadi pembulatan atau pemotongan)

• Selain itu, 1.0 dapat di-downcast sepenuhnya int8tanpa kehilangan informasi, tetapi tipe integer terkecil untuk 100_000.0 adalahint32

Contoh kode:

import numpy as np
import pandas as pd

def float_to_int( s ):
    if ( s.astype(np.int64) == s ).all():
        return pd.to_numeric( s, downcast='integer' )
    else:
        return s

# small integers are downcast into 8-bit integers
float_to_int( np.array([1.0,2.0]) )
Out[1]:array([1, 2], dtype=int8)

# larger integers are downcast into larger integer types
float_to_int( np.array([100_000.,200_000.]) )
Out[2]: array([100000, 200000], dtype=int32)

# if there are values to the right of the decimal
# point, no conversion is made
float_to_int( np.array([1.1,2.2]) )
Out[3]: array([ 1.1,  2.2])

Kolom yang perlu dikonversi ke int dapat disebutkan dalam kamus juga seperti di bawah ini

df = df.astype({'col1': 'int', 'col2': 'int', 'col3': 'int'})

>>> df_18['cyl'].value_counts()
... 4.0     365
... 6.0     246
... 8.0     153

>>> df_18['cyl'] = df_18['cyl'].astype(int)
>>> df_18['cyl'].value_counts()
... 4     365
... 6     246
... 8     153