你好，我遇到了一个问题，需要将一个object类型的列转换为整型。
我有一个数据框，尝试将一些被检测为Object类型的列转换成整型（或浮点型），但是我已经找到的所有答案都不适用于我。
然后我尝试了to_numeric方法，但是不起作用。 to_numeric方法
之后尝试了一个自定义方法，你可以在这里找到：Pandas: convert dtype 'object' to int，但它也不起作用：data3['Title'].astype(str).astype(int)
（我不能再传图片了-相信我，它不起作用）
我尝试使用inplace语句，但似乎不包含在这些���法中：
我很确定答案很简单，但找不到它
#maybe also works omit astype(str)
data3['Title'] = data3['Title'].astype(str).astype(int)
或者：
data3['Title'] = pd.to_numeric(data3['Title'])
示例：
data3 = pd.DataFrame({'Title':['15','12','10']})
print (data3)
Title
0 15
1 12
2 10
print (data3.dtypes)
Title object
dtype: object
data3['Title'] = pd.to_numeric(data3['Title'])
print (data3.dtypes)
Title int64
dtype: object
data3['Title'] = data3['Title'].astype(int)
print (data3.dtypes)
Title int32
dtype: object
正如 python_enthusiast 所说，
这个命令对我也有效。
data3.Title = data3.Title.str.replace(',', '').astype(float).astype(int)
但也能很好地与
data3.Title = data3.Title.str.replace(',', '').astype(int)
在替换逗号之前，您需要使用str来消除逗号，然后再将其改为int/float，否则会出现错误。
两年零十一个月后，我来了。
首先检查数据是否有任何空格、特殊字符（如逗号、点号或其他字符）。如果有，你需要将其删除，然后将字符串数据转换为浮点数，再转换为整数（这是我处理数字值但带有逗号的情况时所用的方法，例如 4,118,662）。
data3.Title = data3.Title.str.replace(',', '').astype(flaoat).astype(int)
你也可以尝试这段代码，我用它很好用
data3.Title= pd.factorize(data3.Title)[0]
我有一个像这样的数据集
dataset.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 79902 entries, 0 to 79901
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Query 79902 non-null object
1 Video Title 79902 non-null object
2 Video ID 79902 non-null object
3 Video Views 79902 non-null object
4 Comment ID 79902 non-null object
5 cleaned_comments 79902 non-null object
dtypes: object(6)
memory usage: 5.5+ MB
使用编程语言移除了空值和NaN条目
dataset = dataset.replace(to_replace='None', value=np.nan).dropna()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 79868 entries, 0 to 79901
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Query 79868 non-null object
1 Video Title 79868 non-null object
2 Video ID 79868 non-null object
3 Video Views 79868 non-null object
4 Comment ID 79868 non-null object
5 cleaned_comments 79868 non-null object
dtypes: object(6)
memory usage: 6.1+ MB
注意条目减少了
但是视频观看次数是浮点数，如数据集.head()所示
然后我使用了
dataset['Video Views'] = pd.to_numeric(dataset['Video Views'])
dataset['Video Views'] = dataset['Video Views'].astype(int)
现在，
<class 'pandas.core.frame.DataFrame'>
Int64Index: 79868 entries, 0 to 79901
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Query 79868 non-null object
1 Video Title 79868 non-null object
2 Video ID 79868 non-null object
3 Video Views 79868 non-null int64
4 Comment ID 79868 non-null object
5 cleaned_comments 79868 non-null object
dtypes: int64(1), object(5)
memory usage: 6.1+ MB
在旧版的Pandas中，对于int类型没有NaN，但是新版本的Pandas提供了Int64，其中包含pd.NA。
因此，要将具有缺失数据的object转换为int，可以执行以下操作。
df['col'] = df['col'].astype(float)
df['col'] = df['col'].astype('Int64')
通过先转换到浮点型，您可以避免对象无法转换为IntegerDtype错误。
请注意，Int64中的'I'是大写。
更多信息请查看https://pandas.pydata.org/pandas-docs/stable/user_guide/integer_na.html
在Pandas 1.0中引入了新的pd.NA数据类型；pd.NA的目标是提供一种“丢失”的指示器，可以在各种数据类型中一致使用（而不是依赖于数据类型的np.nan、None或pd.NaT）。
基于此，他们创建了dataframe.convert_dtypes()和Series.convert_dtypes()函数，将其转换为支持pd.NA的数据类型。目前这被认为是实验性的，但可能会有一个光明的未来。
data3['Title'] = pd.to_numeric(data3['Title'])或者data3['Title'] data3['Title'].astype(int)。实际上应该有一个标准问题来解决这个问题，因为这种变体出现了无数次。 - EdChum