Python의 astype() 함수는 무엇입니까?

Python에서 astype() 이해하기

astype() 함수는 DataFrame 또는 Series의 열이나 데이터세트를 특정 데이터 유형으로 변환하기 위해 pandas 라이브러리에서 주로 사용되는 Python의 강력한 메서드입니다. 배열 요소를 다른 유형으로 변환하기 위해 NumPy에서도 사용할 수 있습니다.

---

astype()의 기본 사용법

astype() 함수는 Pandas 객체(예: Series 또는 DataFrame) 또는 NumPy 배열의 데이터 유형을 다른 유형으로 변환하는 데 사용됩니다.

Pandas 구문:

DataFrame.astype(dtype, copy=True, errors='raise')

NumPy 구문:

ndarray.astype(dtype, order='K', casting='unsafe', subok=True, copy=True)

---

주요 매개변수

1. 디타입

데이터를 변환하려는 대상 데이터 유형입니다. 이는 다음을 사용하여 지정할 수 있습니다.

• 단일 유형(예: float, int, str).
• 열 이름을 유형에 매핑하는 사전입니다(Pandas DataFrames용).

2. 복사(pandas 및 NumPy)

• 기본값: 참
• 목적: 원본 데이터의 복사본을 반환할지(True인 경우) 아니면 그대로 수정할지(False인 경우)

3. 오류(Pandas에만 해당)

• 옵션:
  • 'raise'(기본값): 변환이 실패하면 오류를 발생시킵니다.
  • 'ignore': 오류를 자동으로 무시합니다.

4. 주문(NumPy만 해당)

• 출력 배열의 메모리 레이아웃을 제어합니다. 옵션:
  • 'C': C-연속 순서.
  • 'F': 포트란 연속 순서.
  • 'A': 입력이 포트란 연속적이면 포트란 순서를 사용하고, 그렇지 않으면 C 순서를 사용합니다.
  • 'K': 입력 배열의 레이아웃을 일치시킵니다.

5. 캐스팅(NumPy에만 해당)

• 캐스트 동작 제어:
  • '아니오': 캐스팅이 허용되지 않습니다.
  • 'equiv': 바이트 순서 변경만 허용됩니다.
  • 'safe': 값을 보존하는 캐스트만 허용됩니다.
  • 'same_kind': 안전한 캐스트 또는 종류 내 캐스트(예: float -> int)만 허용됩니다.
  • '안전하지 않음': 모든 데이터 변환이 허용됩니다.

6. 수복(NumPy에만 해당)

• True이면 하위 클래스가 통과됩니다. False인 경우 반환된 배열은 기본 클래스 배열이 됩니다.

---

예

1. 팬더의 기본 변환

import pandas as pd

# Example DataFrame
df = pd.DataFrame({'A': ['1', '2', '3'], 'B': [1.5, 2.5, 3.5]})

# Convert column 'A' to integer
df['A'] = df['A'].astype(int)
print(df.dtypes)

출력:

A     int64
B    float64
dtype: object

2. 여러 열에 대한 사전 매핑

# Convert multiple columns
df = df.astype({'A': float, 'B': int})
print(df.dtypes)

출력:

DataFrame.astype(dtype, copy=True, errors='raise')

---

3. 오류='무시' 사용

ndarray.astype(dtype, order='K', casting='unsafe', subok=True, copy=True)

출력:

import pandas as pd

# Example DataFrame
df = pd.DataFrame({'A': ['1', '2', '3'], 'B': [1.5, 2.5, 3.5]})

# Convert column 'A' to integer
df['A'] = df['A'].astype(int)
print(df.dtypes)

• 'two'에 대한 변환이 실패했지만 오류는 발생하지 않습니다.

---

4. NumPy에서 astype() 사용

A     int64
B    float64
dtype: object

출력:

# Convert multiple columns
df = df.astype({'A': float, 'B': int})
print(df.dtypes)

---

5. casting='safe'로 NumPy에서 캐스팅하기

A    float64
B      int64
dtype: object

출력:

df = pd.DataFrame({'A': ['1', 'two', '3'], 'B': [1.5, 2.5, 3.5]})

# Attempt conversion with errors='ignore'
df['A'] = df['A'].astype(int, errors='ignore')
print(df)

---

6. 팬더에서 숫자가 아닌 유형 처리

      A    B
0     1  1.5
1   two  2.5
2     3  3.5

출력:

import numpy as np

# Example array
arr = np.array([1.1, 2.2, 3.3])

# Convert to integer
arr_int = arr.astype(int)
print(arr_int)

---

7. astype()을 사용한 메모리 최적화

코드:

[1 2 3]

---

출력:

최적화 전(원래 메모리 사용량):

arr = np.array([1.1, 2.2, 3.3])

# Attempt an unsafe conversion
try:
    arr_str = arr.astype(str, casting='safe')
except TypeError as e:
    print(e)

최적화 후(최적화된 메모리 사용량):

Cannot cast array data from dtype('float64') to dtype('<u32 according to the rule>




<hr>

<h3>
  
  
  <strong>설명:</strong>
</h3>

<ul>
<li>
<p><strong>원래 메모리 사용량:</strong></p>

<ul>
<li>int64인 열 A는 24바이트(요소당 8바이트 × 요소 3개)를 사용합니다.</li>
<li>float64인 B열은 24바이트(요소당 8바이트 × 요소 3개)를 사용합니다.</li>
</ul>


</li>

<li>

<p><strong>최적화된 메모리 사용량:</strong></p>

<ul>
<li>int8인 A열은 3바이트(요소당 1바이트 × 요소 3개)를 사용합니다.</li>
<li>float32인 B열은 12바이트(요소당 4바이트 × 요소 3개)를 사용합니다.</li>
</ul>


</li>

</ul>

<h2>
  
  
  특히 대규모 데이터 세트로 작업할 때 더 작은 데이터 유형을 사용하면 메모리 사용량이 크게 줄어듭니다.
</h2>

<h3>
  
  
  <strong>일반적인 함정</strong>
</h3>

<ol>
<li>
<strong>잘못된 변환</strong>: 호환되지 않는 유형을 변환합니다(예: 숫자가 아닌 값이 존재할 때 문자열을 숫자 유형으로 변환).
</li>
</ol>

<pre class="brush:php;toolbar:false">df = pd.DataFrame({'A': ['2022-01-01', '2023-01-01'], 'B': ['True', 'False']})

# Convert to datetime and boolean
df['A'] = pd.to_datetime(df['A'])
df['B'] = df['B'].astype(bool)
print(df.dtypes)

1. 오류='무시'가 포함된 자동 오류: 자동으로 변환에 실패할 수 있으므로 주의해서 사용하세요.

2. 정밀도 손실: 정밀도가 높은 유형(예: float64)에서 정밀도가 낮은 유형(예: float32)으로 변환합니다.

---

고급 예시

1. 복잡한 데이터 유형 캐스팅

A    datetime64[ns]
B             bool
dtype: object

출력:

import pandas as pd

# Original DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.1, 2.2, 3.3]})
print("Original memory usage:")
print(df.memory_usage())

# Downcast numerical types
df['A'] = df['A'].astype('int8')
df['B'] = df['B'].astype('float32')

print("Optimized memory usage:")
print(df.memory_usage())

2. 구조적 배열을 위해 NumPy에서 astype() 사용

Index    128
A         24
B         24
dtype: int64

출력:

DataFrame.astype(dtype, copy=True, errors='raise')

---

요약

astype() 함수는 Pandas와 NumPy 모두에서 데이터 유형 변환을 위한 다목적 도구입니다. 이를 통해 캐스팅 동작, 메모리 최적화 및 오류 처리를 세밀하게 제어할 수 있습니다. Pandas의 오류 및 NumPy의 캐스팅과 같은 매개변수를 적절하게 사용하면 강력하고 효율적인 데이터 유형 변환이 보장됩니다.

위 내용은 Python의 astype() 함수는 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!