以下代码不起作用。

import pandas as pd
import numpy as np
df=pd.DataFrame(['ONE','Two', np.nan],columns=['x']) 
xLower = df["x"].map(lambda x: x.lower())

我应该如何调整它以获得xLower = ['one'，'two'，np.nan]？效率很重要，因为实际数据帧很大。

使用熊猫矢量化字符串方法; 如文档中所示：

这些方法自动排除丢失/ NA值

.str.lower() 是那里的第一个例子；

>>> df['x'].str.lower()
0    one
1    two
2    NaN
Name: x, dtype: object

如果列不仅具有字符串而且具有数字，则另一种可能的解决方案是使用astype(str).str.lower()或to_string(na_rep='')因为其他原因，鉴于数字不是字符串，则在降低数字时将返回NaN，因此：

import pandas as pd
import numpy as np
df=pd.DataFrame(['ONE','Two', np.nan,2],columns=['x']) 
xSecureLower = df['x'].to_string(na_rep='').lower()
xLower = df['x'].str.lower()

那么我们有：

>>> xSecureLower
0    one
1    two
2   
3      2
Name: x, dtype: object

并不是

>>> xLower
0    one
1    two
2    NaN
3    NaN
Name: x, dtype: object

编辑：

如果您不想丢失NaN，则使用map会更好，（来自@ wojciech-walczak和@ cs95注释）它将看起来像这样

xSecureLower = df['x'].map(lambda x: x.lower() if isinstance(x,str) else x)

可能的解决方案：

import pandas as pd
import numpy as np

df=pd.DataFrame(['ONE','Two', np.nan],columns=['x']) 
xLower = df["x"].map(lambda x: x if type(x)!=str else x.lower())
print (xLower)

结果是：

0    one
1    two
2    NaN
Name: x, dtype: object

虽然不确定效率。

你也可以试试这个

df= df.applymap(lambda s:s.lower() if type(s) == str else s)

熊猫> = 0.25：使用 str.casefold

从v0.25开始，str.casefold如果您要处理Unicode数据，则建议使用“矢量化”字符串方法（无论字符串还是Unicode，它都有效）：

s = pd.Series(['lower', 'CAPITALS', np.nan, 'SwApCaSe'])
s.str.casefold()

0       lower
1    capitals
2         NaN
3    swapcase
dtype: object

另请参阅相关的GitHub问题GH25405。

casefold适用于更具侵略性的案例折叠比较。它还可以优雅地处理NaN（与之类似str.lower）。

但是为什么这更好呢？

unicode可以看出差异。以python str.casefolddocs中的示例为例，

大小写折叠类似于小写字母，但更具攻击性，因为它旨在消除字符串中的所有大小写区别。例如，德语小写字母'ß'等效于"ss"。由于它已经是小写字母，lower()因此无济于事'ß'；casefold() 将其转换为"ss"。

比较的输出lower，

s = pd.Series(["der Fluß"])
s.str.lower()

0    der fluß
dtype: object

对casefold，

s.str.casefold()

0    der fluss
dtype: object

另请参阅Python：字符串匹配并转换为小写形式的lower（）与casefold（）。

可能正在使用列表理解

import pandas as pd
import numpy as np
df=pd.DataFrame(['ONE','Two', np.nan],columns=['Name']})
df['Name'] = [str(i).lower() for i in df['Name']] 

print(df)

应用lambda函数

df['original_category'] = df['original_category'].apply(lambda x:x.lower())

使用套用功能，

Xlower = df['x'].apply(lambda x: x.upper()).head(10) 

复制您的数据框列，然后简单地应用

df=data['x']
newdf=df.str.lower()