Pandas将浮点数转换为没有小数的字符串

Question

我有一个数据框

df = pd.DataFrame([
        ['2', '3', 'nan'],
        ['0', '1', '4'],
        ['5', 'nan', '7']
    ])

print df

   0    1    2
0  2    3  nan
1  0    1    4
2  5  nan    7

我想将这些字符串转换为数字并对列求和，然后再转换回字符串。

使用astype(float)似乎可以将字符串转换为数字。然后使用sum()很容易实现求和。最后使用astype(str)也应该很容易将结果转换回字符串。

df.astype(float).sum().astype(str)

0     7.0
1     4.0
2    11.0
dtype: object

这几乎是我想要的。我需要整数的字符串版本。但浮点数有小数位。如何去掉它们？

我想要这个。

0     7
1     4
2    11
dtype: object

- Brian

Answer 1

对于 pandas 版本 >= 1.0:

'Int64' 引入了 '<NA>' 类型。现在你可以这样做：

df['your_column'].astype('Int64').astype('str')

它将正确地将 1.0 转换为 1。

---

替代方案：

如果您不想改变所有 Pandas 的显示选项，可以使用 @maxymoo 的解决方案所述的方法，您可以使用 apply：

df['your_column'].apply(lambda x: f'{x:.0f}')

- toto_tico

---

太好了！astype('Int64').astype('str') 可以用于转换单个列。由于这是真正的数据类型重格式化，我更喜欢这种方法而不是更改显示选项。 - Culdesac

Answer 2

如果您的列包含空值，则将其转换为 int（即使用 .astype(int).astype(str)）将无效；更好的做法是使用字符串格式化来明确指定您的字符串列的格式；（您可以在 pd.options 中设置此选项）：

>>> pd.options.display.float_format = '{:,.0f}'.format
>>> df.astype(float).sum()
0     7
1     4
2    11
dtype: float64

- maxymoo

---

谢谢，这就是我想要的答案！ - IanS

我认为DataFrame的正确方法是applymap，而不是map。 - IanS

@IanS 是的，你说得对，我使用了 map，因为在进行格式化之前我先对列求和了。 - maxymoo

为什么在这里.format()会转换为对象？它是隐式地从浮点数转换为字符串吗？ - ℕʘʘḆḽḘ

@ℕʘʘḆḽḘ 我猜格式是在转换中使用的。也许在文档中提到的系列格式化程序中。 - Felix

Answer 3

在混合中添加astype(int)：

df.astype(float).sum().astype(int).astype(str)

0     7
1     4
2    11
dtype: object

演示带有空单元格的示例。这不是原始问题的要求，但是为了满足反对者的要求。

---

df = pd.DataFrame([
        ['2', '3', 'nan', None],
        [None, None, None, None],
        ['0', '1', '4', None],
        ['5', 'nan', '7', None]
    ])

df

      0     1     2     3
0     2     3   nan  None
1  None  None  None  None
2     0     1     4  None
3     5   nan     7  None

然后

df.astype(float).sum().astype(int).astype(str)

0     7
1     4
2    11
3     0
dtype: object

因为发帖人没有明确说明当某一列全都缺失时应该发生什么，显示零是一个合理的选择。

然而，我们也可以删除这些列。

df.dropna(1, 'all').astype(float).sum().astype(int).astype(str)

0     7
1     4
2    11
dtype: object

- piRSquared

---

我相信你刚才成为了一些策略性贬低的受害者。+1 是为了抵消这种情况，同时因为你的回答比其他人早。 - mechanical_meat

这个无法处理所有值都缺失的行。 - dlm

@dlm 没错，它确实有效。我刚刚运行了一个示例。如果你有具体情况，请提出问题以解决疑惑。这个回答满足了原帖的要求。如果你觉得没用，不一定非要点赞。但是给一个负评意味着这个回答没有使用价值，而事实上它解决了所提出的问题。 - piRSquared

错误的解决方案，使用 sum 会改变最终结果。 - Rocketq

Answer 4

在转换为字符串之前添加astype(int)：

print (df.astype(float).sum().astype(int).astype(str))

生成所需结果。

- Jossie Calderon

Answer 5

上面的方法对我没有用，所以我将添加我的解决方案。

将数字转换为字符串并去掉“.0”：

db['a] = db['a'].astype(str).str.rstrip('.0')

- Mick

---

如果输入以0结尾，则也会删除0。例如：输入1230.0，预期输出为1230，实际输出为123。 - Filipe Gomes

Answer 6

基于toto_tico的解决方案 - 另外一种选择，对其进行了小的修改以避免空值变为nan。

df['your_column'].apply(lambda x: f'{x:.0f}' if not pd.isnull(x) else '')

- Donald Tse

Answer 7

上述解决方案，在转换为字符串时，也会将NaN转换为字符串。要避免这种情况并保留NaN，请使用：

c = ...  # your column
np.where(
    df[c].isnull(), np.nan,
    df[c].apply('{:.0f}'.format)
)

保留NaN可以让您执行此类操作，例如将可空整数列（如19991231、20000101、np.nan、20000102）转换为日期时间，而不触发日期解析错误。

- ifly6