先看一個非常簡單的例子：
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a)
有什麽方法可以將列轉換為適當的類型？例如，上麵的例子，如何將列2和3轉為浮點數？有沒有辦法將數據轉換為DataFrame格式時指定類型？或者是創建DataFrame，然後通過某種方法更改每列的類型？理想情況下，希望以動態的方式做到這一點，因為可以有數百個列，明確指定哪些列是哪種類型太麻煩。可以假定每列都包含相同類型的值。
解決方法
可以用的方法簡單列舉如下：
對於創建DataFrame的情形
如果要創建一個DataFrame，可以直接通過dtype參數指定類型：
df = pd.DataFrame(a, dtype='float') #示例1
df = pd.DataFrame(data=d, dtype=np.int8) #示例2
df = pd.read_csv("somefile.csv", dtype = {'column_name' : str})
對於單列或者Series
下麵是一個字符串Seriess的例子，它的dtype為object：
>>> s = pd.Series(['1', '2', '4.7', 'pandas', '10'])
>>> s
0 1
1 2
2 4.7
3 pandas
4 10
dtype: object
使用to_numeric轉為數值。默認情況下，它不能處理字母型的字符串’pandas’：
>>> pd.to_numeric(s) # or pd.to_numeric(s, errors='raise')
ValueError: Unable to parse string
可以將無效值強製轉換為NaN，如下所示：
>>> pd.to_numeric(s, errors='coerce')
0 1.0
1 2.0
2 4.7
3 NaN
4 10.0
dtype: float64
如果遇到無效值，第三個選項就是忽略該操作：
>>> pd.to_numeric(s, errors='ignore')
# the original Series is returned untouched
對於多列或者整個DataFrame
如果想要將這個操作應用到多個列，依次處理每一列是非常繁瑣的，所以可以使用DataFrame.apply處理每一列。
對於某個DataFrame：
>>> a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
>>> df = pd.DataFrame(a, columns=['col1','col2','col3'])
>>> df
col1 col2 col3
0 a 1.2 4.2
1 b 70 0.03
2 x 5 0
然後可以寫：
df[['col2','col3']] = df[['col2','col3']].apply(pd.to_numeric)
那麽’col2’和’col3’根據需要具有float64類型。
但是，可能不知道哪些列可以可靠地轉換為數字類型。在這種情況下，設置參數：
df.apply(pd.to_numeric, errors='ignore')
然後該函數將被應用於整個DataFrame，可以轉換為數字類型的列將被轉換，而不能(例如，它們包含非數字字符串或日期)的列將被單獨保留。
另外pd.to_datetime和pd.to_timedelta可將數據轉換為日期和時間戳。
軟轉換——類型自動推斷
版本0.21.0引入了infer_objects()方法，用於將具有對象數據類型的DataFrame的列轉換為更具體的類型。
例如，用兩列對象類型創建一個DataFrame，其中一個保存整數，另一個保存整數的字符串：
>>> df = pd.DataFrame({'a': [7, 1, 5], 'b': ['3','2','1']}, dtype='object')
>>> df.dtypes
a object
b object
dtype: object
然後使用infer_objects()，可以將列’a’的類型更改為int64：
>>> df = df.infer_objects()
>>> df.dtypes
a int64
b object
dtype: object
由於’b’的值是字符串，而不是整數，因此’b’一直保留。
astype強製轉換
如果試圖強製將兩列轉換為整數類型，可以使用df.astype(int)。
示例如下：
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a, columns=['one', 'two', 'three'])
df
Out[16]:
one two three
0 a 1.2 4.2
1 b 70 0.03
2 x 5 0
df.dtypes
Out[17]:
one object
two object
three object
df[['two', 'three']] = df[['two', 'three']].astype(float)
df.dtypes
Out[19]:
one object
two float64
three float64
