您可以使用三种主要选项来转换熊猫的类型：
to_numeric()提供安全地将非数字类型（例如字符串）转换为合适的数字类型的功能。（另请参见to_datetime()和to_timedelta()。）
astype()-将（几乎）任何类型转换为（几乎）任何其他类型（即使这样做不一定明智）。还允许您转换为分类类型（非常有用）。
infer_objects() -一种实用方法，如果可能的话，将保存Python对象的对象列转换为熊猫类型。
继续阅读以获取每种方法的更详细的解释和用法。
1。 to_numeric()
将DataFrame的一列或多列转换为数值的最佳方法是使用pandas.to_numeric()。
此函数将尝试将非数字对象（例如字符串）适当地更改为整数或浮点数。
基本用法
输入to_numeric()是DataFrame的Series或单个列。
>>> s = pd.Series(["8", 6, "7.5", 3, "0.9"]) # mixed string and numeric values
>>> s
0 8
1 6
2 7.5
3 3
4 0.9
dtype: object
>>> pd.to_numeric(s) # convert everything to float values
0 8.0
1 6.0
2 7.5
3 3.0
4 0.9
dtype: float64
如您所见，将返回一个新的Series。请记住，将此输出分配给变量或列名以继续使用它：
# convert Series
my_series = pd.to_numeric(my_series)
# convert column "a" of a DataFrame
df["a"] = pd.to_numeric(df["a"])
您还可以通过以下apply()方法使用它来转换DataFrame的多个列：
# convert all columns of DataFrame
df = df.apply(pd.to_numeric) # convert all columns of DataFrame
# convert just columns "a" and "b"
df[["a", "b"]] = df[["a", "b"]].apply(pd.to_numeric)
只要您的值都可以转换，那可能就是您所需要的。
错误处理
但是，如果某些值不能转换为数字类型怎么办？
to_numeric()还使用errors关键字参数，该参数允许您将非数字值强制为NaN，或仅忽略包含这些值的列。
这是使用一系列s具有对象dtype 的字符串的示例：
>>> s = pd.Series(['1', '2', '4.7', 'pandas', '10'])
>>> s
0 1
1 2
2 4.7
3 pandas
4 10
dtype: object
如果无法转换值，则默认行为是引发。在这种情况下，它不能处理字符串“ pandas”：
>>> pd.to_numeric(s) # or pd.to_numeric(s, errors='raise')
ValueError: Unable to parse string
我们可能希望将“ pandas”视为丢失/错误的数值，而不是失败。我们可以NaN使用errors关键字参数将无效值强制如下：
>>> pd.to_numeric(s, errors='coerce')
0 1.0
1 2.0
2 4.7
3 NaN
4 10.0
dtype: float64
第三个选项errors只是在遇到无效值时忽略该操作：
>>> pd.to_numeric(s, errors='ignore')
# the original Series is returned untouched
当您要转换整个DataFrame，但又不知道我们哪些列可以可靠地转换为数字类型时，最后一个选项特别有用。在这种情况下，只需写：
df.apply(pd.to_numeric, errors='ignore')
该函数将应用于DataFrame的每一列。可以转换为数字类型的列将被转换，而不能转换（例如，它们包含非数字字符串或日期）的列将被保留。
下垂
默认情况下，with转换to_numeric()将为您提供a int64或float64dtype（或平台固有的任何整数宽度）。
通常这就是您想要的，但是如果您想节省一些内存并使用更紧凑的dtype，如float32或int8呢？
to_numeric()您可以选择向下转换为“整数”，“有符号”，“无符号”，“浮点型”。这是一个简单s的整数类型系列的示例：
>>> s = pd.Series([1, 2, -7])
>>> s
0 1
1 2
2 -7
dtype: int64
向下转换为“整数”将使用可以保存值的最小整数：
>>> pd.to_numeric(s, downcast='integer')
0 1
1 2
2 -7
dtype: int8
向下转换为“ float”类似地选择了一个比普通浮点型小的类型：
>>> pd.to_numeric(s, downcast='float')
0 1.0
1 2.0
2 -7.0
dtype: float32
2。 astype()
该astype()方法使您可以明确表示希望DataFrame或Series具有的dtype。它非常通用，可以尝试从一种类型转换为另一种类型。
基本用法
只需选择一个类型：您可以使用NumPy dtype（例如np.int16），某些Python类型（例如bool）或特定于熊猫的类型（例如类别dtype）。
在要转换的对象上调用方法，然后astype()将尝试为您转换：
# convert all DataFrame columns to the int64 dtype
df = df.astype(int)
# convert column "a" to int64 dtype and "b" to complex type
df = df.astype({"a": int, "b": complex})
# convert Series to float16 type
s = s.astype(np.float16)
# convert Series to Python strings
s = s.astype(str)
# convert Series to categorical type - see docs for more details
s = s.astype('category')
注意，我说的是“尝试”-如果astype()不知道如何在Series或DataFrame中转换值，则会引发错误。例如，如果您具有NaNor inf值，则尝试将其转换为整数时会出错。
从熊猫0.20.0开始，可以通过传递来抑制此错误errors='ignore'。您的原始对象将保持原样返回。
小心
astype()功能强大，但有时会“错误地”转换值。例如：
>>> s = pd.Series([1, 2, -7])
>>> s
0 1
1 2
2 -7
dtype: int64
这些都是小整数，那么如何转换为无符号8位类型以节省内存呢？
>>> s.astype(np.uint8)
0 1
1 2
2 249
dtype: uint8
转换工作，但-7包裹轮成为249（如2 8 - 7）！
尝试使用向下转换来pd.to_numeric(s, downcast='unsigned')帮助防止此错误。
3。 infer_objects()
pandas的0.21.0版引入了infer_objects()将具有对象数据类型的DataFrame列转换为更特定类型（软转换）的方法。
例如，这是一个带有两列对象类型的DataFrame。一个保存实际的整数，另一个保存代表整数的字符串：
>>> df = pd.DataFrame({'a': [7, 1, 5], 'b': ['3','2','1']}, dtype='object')
>>> df.dtypes
a object
b object
dtype: object
使用infer_objects()，您可以将列'a'的类型更改为int64：
>>> df = df.infer_objects()
>>> df.dtypes
a int64
b object
dtype: object
由于列“ b”的值是字符串而不是整数，因此已被保留。如果要尝试强制将两列都转换为整数类型，则可以df.astype(int)改用。
