使用df.replace可以用除np.nan/None之外的任何值替換pd.NaT

使用 df.replace 可以用除np.nan/None之外的任何值替換pd.NaT

注意：我必須在使用 fillna('') 的地方進行多次資料轉換，這在 NaT 上不起作用，而且我不希望鏈式替換，因為它在大量資料幀上有點貴。

我有一個 df（在 dtype 資訊之后提供）

ID                                                  int64
TYPE                                                 object
NAME                                                object
LOCATION_ID                                        float64
COUNTRY_ID                                         float64
REGION_ID                                          float64
SLA_TIME_TO_FIRST_RESPONSE_START_TIME       datetime64[ns]
SLA_TIME_TO_FIRST_RESPONSE_STOP_TIME        datetime64[ns]
SLA_TIME_TO_RESOLUTION_START_TIME           datetime64[ns]
SLA_TIME_TO_RESOLUTION_STOP_TIME            datetime64[ns]

df.replace(pd.NaT,np.nan)

不會將 NaT 替換為 NaN

df.replace(pd.NaT, 'anything')

將 NaT 替換為“任何東西”

uj5u.com熱心網友回復：

pandas總體上存在一些型別問題，這就是為什么這些pd.NaT和“pd.NA”適用的原因。以下是使用帶有bool型別的列時的問題示例。在創建DataFrame一列bool_type僅包含布林值的位置后，型別為“布爾”，而另一列boot_with_none包含布林值和“無”值的型別為“物件”。

import pandas as pd


df = pd.DataFrame({"bool_type": [True, False, True], "boot_with_none": [True, False, None]})
df.info()
#  #   Column          Non-Null Count  Dtype 
# ---  ------          --------------  ----- 
#  0   bool_type       3 non-null      bool  
#  1   boot_with_none  2 non-null      object
print(df)
#    bool_type boot_with_none
# 0       True           True
# 1      False          False
# 2       True           None

如果我們嘗試將boot_with_none列轉換為 type bool，它會自動將 'None' 值替換為 'False'。

df["boot_with_none"] = df["boot_with_none"].astype(bool)
df.info()
#  #   Column          Non-Null Count  Dtype
# ---  ------          --------------  -----
#  0   bool_type       3 non-null      bool 
#  1   boot_with_none  3 non-null      bool 
print(df)
#    bool_type  boot_with_none
# 0       True            True
# 1      False           False
# 2       True           False

解決此問題的一種方法是將列型別設定為object，然后它可以保存Nones。在下面的代碼中，您可以看到一列是 type datetime64，另一列是 type object。在該replace方法之后，列型別datetime64保持為pd.NaTs 而object型別列將值更改為None。

import pandas as pd
import numpy as np


df = pd.DataFrame({'original_type': [np.datetime64("2018-01-01"), np.datetime64("2018-01-02"), None]})
df["object_type"] = df["original_type"].astype(object)
df.info()
#  #   Column         Non-Null Count  Dtype         
# ---  ------         --------------  -----         
#  0   original_type  2 non-null      datetime64[ns]
#  1   object_type    2 non-null      object  

df["original_type"] = df["original_type"].replace(pd.NaT, None)
df["object_type"] = df["object_type"].replace(pd.NaT, None)
print(df)
#   original_type          object_type
# 0    2018-01-01  2018-01-01 00:00:00
# 1    2018-01-02  2018-01-02 00:00:00
# 2           NaT                 None

編輯

第二個問題是與np.nan. 作為type(np.nan) == float，它應該在float型別列（或“物件”型別列）中。此示例顯示了在將其中一個值設定為“np.nan”后，pandas 如何自動將“int”型別列轉換為“float”型別列，并將其所有值轉換為“float”。而“物件”型別列保持不變，因為它可以保存任意型別的值。

import pandas as pd


df = pd.DataFrame({"ints": [1, 2, 3]})
df["objects"] = df["ints"].astype(object)
df["ints_with_none"] = df["ints"]
df.loc[2, "ints_with_none"] = np.nan
df.info()
#  #   Column          Non-Null Count  Dtype
# ---  ------          --------------  -----
#  0   ints            3 non-null      int64
#  1   objects         3 non-null      object
#  2   ints_with_none  2 non-null      float64

print(df)
#    ints objects  ints_with_none
# 0     1       1             1.0
# 1     2       2             2.0
# 2     3       3             NaN

uj5u.com熱心網友回復：

菲爾納應該作業

df.fillna('anything')

如果它不起作用，請檢查它們是否真的是 pd.NaT 物件。使用型別。

type(df.iloc[1,0])

標籤：Python熊猫

上一篇：替換不同列中的重復值

下一篇：洗掉資料框中的未命名列會產生錯誤