目录
一、用法精讲
pandas.DataFrame.to_csv%E5%87%BD%E6%95%B0-toc" style="margin-left:120px;">416、pandas.DataFrame.memory_usage方法
416-1、语法
416-2、参数
416-3、功能
416-4、返回值
416-5、说明
416-6、用法
416-6-1、数据准备
416-6-2、代码示例
416-6-3、结果输出
pandas.DataFrame.empty%E5%B1%9E%E6%80%A7-toc" style="margin-left:120px;">417、pandas.DataFrame.empty属性
417-1、语法
417-2、参数
417-3、功能
417-4、返回值
417-5、说明
417-6、用法
417-6-1、数据准备
417-6-2、代码示例
417-6-3、结果输出
pandas.DataFrame.set_flags%E6%96%B9%E6%B3%95-toc" style="margin-left:120px;">418、pandas.DataFrame.set_flags方法
418-1、语法
418-2、参数
418-3、功能
418-4、返回值
418-5、说明
418-6、用法
418-6-1、数据准备
418-6-2、代码示例
418-6-3、结果输出
pandas.DataFrame.astype%E6%96%B9%E6%B3%95-toc" style="margin-left:120px;">419、pandas.DataFrame.astype方法
419-1、语法
419-2、参数
419-3、功能
419-4、返回值
419-5、说明
419-6、用法
419-6-1、数据准备
419-6-2、代码示例
419-6-3、结果输出
pandas.DataFrame.convert_dtypes%E6%96%B9%E6%B3%95-toc" style="margin-left:120px;">420、pandas.DataFrame.convert_dtypes方法
420-1、语法
420-2、参数
420-3、功能
420-4、返回值
420-5、说明
420-6、用法
420-6-1、数据准备
420-6-2、代码示例
420-6-3、结果输出
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
一、用法精讲
pandas.DataFrame.to_csv%E5%87%BD%E6%95%B0">416、pandas.DataFrame.memory_usage方法
416-1、语法
python"># 416、pandas.DataFrame.memory_usage方法
pandas.DataFrame.memory_usage(index=True, deep=False)
Return the memory usage of each column in bytes.The memory usage can optionally include the contribution of the index and elements of object dtype.This value is displayed in DataFrame.info by default. This can be suppressed by setting pandas.options.display.memory_usage to False.Parameters:
index
bool, default True
Specifies whether to include the memory usage of the DataFrame’s index in returned Series. If index=True, the memory usage of the index is the first item in the output.deep
bool, default False
If True, introspect the data deeply by interrogating object dtypes for system-level memory consumption, and include it in the returned values.Returns:
Series
A Series whose index is the original column names and whose values is the memory usage of each column in bytes.416-2、参数
416-2-1、index(可选，默认值为True)：布尔值，指定是否包括行索引在内存使用的计算中，如果为True，则行索引所占的内存也会被计算在内；如果为False，则只计算列的内存使用。
416-2-2、deep(可选，默认值为False)：布尔值，如果为True，将进行更深入的内存使用分析，这意味着它会对对象类型的列进行更详细的内存消耗计算，尤其是字符串类型的列，默认为False，这时只返回基本的内存使用量。
416-3、功能
帮助你了解DataFrame的内存使用情况，从而进行性能优化和资源管理。
416-4、返回值
返回一个Series对象，其中索引为DataFrame的列名(以及行索引，如果index=True)，值为相应列(和行索引)的内存使用量(以字节为单位)，如果deep=True，则返回的值将更准确地反映对象的内存消费。
416-5、说明
无
416-6、用法
416-6-1、数据准备
python">无416-6-2、代码示例
python"># 416、pandas.DataFrame.memory_usage方法
import pandas as pd
# 创建一个DataFrame
data = {'A': [1, 2, 3],'B': ['foo', 'bar', 'baz'],'C': [4.5, 5.5, 6.5]
}
df = pd.DataFrame(data)
# 获取内存使用情况，包括行索引
memory_usage_inclusive = df.memory_usage(index=True)
# 获取内存使用情况，不包括行索引
memory_usage_exclusive = df.memory_usage(index=False)
# 深度计算内存使用情况
deep_memory_usage = df.memory_usage(deep=True)
print("内存使用(包括索引)：\n", memory_usage_inclusive)
print("\n内存使用(不包括索引)：\n", memory_usage_exclusive)
print("\n深度内存使用：\n", deep_memory_usage)416-6-3、结果输出
python"># 416、pandas.DataFrame.memory_usage方法
# 内存使用(包括索引)：
# Index 132
# A 24
# B 24
# C 24
# dtype: int64
#
# 内存使用(不包括索引)：
# A 24
# B 24
# C 24
# dtype: int64
#
# 深度内存使用：
# Index 132
# A 24
# B 180
# C 24
# dtype: int64pandas.DataFrame.empty%E5%B1%9E%E6%80%A7">417、pandas.DataFrame.empty属性
417-1、语法
python"># 417、pandas.DataFrame.empty属性
pandas.DataFrame.empty
Indicator whether Series/DataFrame is empty.True if Series/DataFrame is entirely empty (no items), meaning any of the axes are of length 0.Returns:
bool
If Series/DataFrame is empty, return True, if not return False.417-2、参数
无
417-3、功能
用于检查一个DataFrame是否为空。具体来说，它用于判断DataFrame是否没有任何数据(即没有行)，返回一个布尔值。
417-4、返回值
返回True如果DataFrame没有任何行；返回False如果DataFrame至少有一行数据。
417-5、说明
无
417-6、用法
417-6-1、数据准备
python">无417-6-2、代码示例
python"># 417、pandas.DataFrame.empty属性
import pandas as pd
# 创建一个空的DataFrame
empty_df = pd.DataFrame()
# 创建一个非空的DataFrame
data = {'A': [1, 2, 3],'B': ['foo', 'bar', 'baz'],
}
non_empty_df = pd.DataFrame(data)
# 检查是否为空
print("empty_df是否为空:", empty_df.empty)
print("non_empty_df是否为空:", non_empty_df.empty)417-6-3、结果输出
python"># 417、pandas.DataFrame.empty属性
# empty_df是否为空: True
# non_empty_df是否为空: Falsepandas.DataFrame.set_flags%E6%96%B9%E6%B3%95">418、pandas.DataFrame.set_flags方法
418-1、语法
python"># 418、pandas.DataFrame.set_flags方法
pandas.DataFrame.set_flags(*, copy=False, allows_duplicate_labels=None)
Return a new object with updated flags.Parameters:
copybool, default False
Specify if a copy of the object should be made.NoteThe copy keyword will change behavior in pandas 3.0. Copy-on-Write will be enabled by default, which means that all methods with a copy keyword will use a lazy copy mechanism to defer the copy and ignore the copy keyword. The copy keyword will be removed in a future version of pandas.You can already get the future behavior and improvements through enabling copy on write pd.options.mode.copy_on_write = Trueallows_duplicate_labelsbool, optional
Whether the returned object allows duplicate labels.Returns:
Series or DataFrame
The same type as the caller.418-2、参数
418-2-1、copy(可选，默认值为False)：布尔值，是否创建一个新的DataFrame副本，如果设置为True，会返回一个新的DataFrame副本；如果为False，则返回原始DataFrame(只会更改标志属性)。
418-2-2、allows_duplicate_labels(可选，默认值为None)：布尔值，用于指示是否允许重复标签，如果设置为True，那么DataFrame可以有重复的行或列标签；如果设置为False，则不允许重复标签；如果设置为None，将保持当前状态不变。
418-3、功能
允许你设置特定的标志，如复制行为和是否允许重复标签，这些标志有助于控制DataFrame的一些基本特性和运行时行为。
418-4、返回值
返回一个新的DataFrame(如果copy=True)，或返回原始DataFrame的视图(如果copy=False)，并更新了设置的标志属性。
418-5、说明
无
418-6、用法
418-6-1、数据准备
python">无418-6-2、代码示例
python"># 418、pandas.DataFrame.set_flags方法
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({'A': [1, 2, 3],'B': [4, 5, 6]
})
# 设置allows_duplicate_labels为True
new_df = df.set_flags(allows_duplicate_labels=True)
# 查看标志
print(df.flags.allows_duplicate_labels)
print(new_df.flags.allows_duplicate_labels)
# 通过设置copy=True来创建一个新的DataFrame副本
copy_df = df.set_flags(copy=True)
# 检查副本
print(copy_df is df) 418-6-3、结果输出
python"># 418、pandas.DataFrame.set_flags方法
# True
# True
# Falsepandas.DataFrame.astype%E6%96%B9%E6%B3%95">419、pandas.DataFrame.astype方法
419-1、语法
python"># 419、pandas.DataFrame.astype方法
pandas.DataFrame.astype(dtype, copy=None, errors='raise')
Cast a pandas object to a specified dtype dtype.Parameters:
dtypestr, data type, Series or Mapping of column name -> data type
Use a str, numpy.dtype, pandas.ExtensionDtype or Python type to cast entire pandas object to the same type. Alternatively, use a mapping, e.g. {col: dtype, …}, where col is a column label and dtype is a numpy.dtype or Python type to cast one or more of the DataFrame’s columns to column-specific types.copybool, default True
Return a copy when copy=True (be very careful setting copy=False as changes to values then may propagate to other pandas objects).NoteThe copy keyword will change behavior in pandas 3.0. Copy-on-Write will be enabled by default, which means that all methods with a copy keyword will use a lazy copy mechanism to defer the copy and ignore the copy keyword. The copy keyword will be removed in a future version of pandas.You can already get the future behavior and improvements through enabling copy on write pd.options.mode.copy_on_write = Trueerrors{‘raise’, ‘ignore’}, default ‘raise’
Control raising of exceptions on invalid data for provided dtype.raise : allow exceptions to be raisedignore : suppress exceptions. On error return original object.Returns:
same type as caller.419-2、参数
419-2-1、dtype(必须)：描述要转换的目标数据类型，可以是单个数据类型(如float、int、str等)或一个字典，字典的键是列名，值是对应的目标数据类型。如果只针对单个列，可以使用一个字符串表示数据类型。
419-2-2、copy(可选，默认值为None)：布尔值，指示是否创建一个新的DataFrame副本，如果设置为True，则会强制创建一个新副本；如果为False，则会尝试在可能的情况下直接在原DataFrame上进行更改。
419-2-3、errors(可选，默认值为'raise')：字符串，定义在数据类型转换过程中发生错误时的行为。
- 'raise'：发生错误时引发异常。
- 'ignore'：发生错误时返回原始数据，不进行转换。
419-3、功能
用于转换DataFrame中数据类型的方法，通过该方法，你可以将DataFrame的列转换为指定的数据类型。
419-4、返回值
返回一个新的DataFrame，其中数据类型已被转换为指定的类型。
419-5、说明
无
419-6、用法
419-6-1、数据准备
python">无419-6-2、代码示例
python"># 419、pandas.DataFrame.astype方法
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({'A': ['1', '2', '3'],'B': ['4.0', '5.1', '6.2']
})
# 查看原始数据类型
print(df.dtypes)
# 将列A转换为整数，将列B转换为浮点数
df_converted = df.astype({'A': 'int', 'B': 'float'})
# 查看转换后的数据类型
print(df_converted.dtypes)
# 打印转换后的数据
print(df_converted)419-6-3、结果输出
python"># 419、pandas.DataFrame.astype方法
# A object
# B object
# dtype: object
# A int32
# B float64
# dtype: object
# A B
# 0 1 4.0
# 1 2 5.1
# 2 3 6.2pandas.DataFrame.convert_dtypes%E6%96%B9%E6%B3%95">420、pandas.DataFrame.convert_dtypes方法
420-1、语法
python"># 420、pandas.DataFrame.convert_dtypes方法
pandas.DataFrame.convert_dtypes(infer_objects=True, convert_string=True, convert_integer=True, convert_boolean=True, convert_floating=True, dtype_backend='numpy_nullable')
Convert columns to the best possible dtypes using dtypes supporting pd.NA.Parameters:
infer_objectsbool, default True
Whether object dtypes should be converted to the best possible types.convert_stringbool, default True
Whether object dtypes should be converted to StringDtype().convert_integerbool, default True
Whether, if possible, conversion can be done to integer extension types.convert_booleanbool, defaults True
Whether object dtypes should be converted to BooleanDtypes().convert_floatingbool, defaults True
Whether, if possible, conversion can be done to floating extension types. If convert_integer is also True, preference will be give to integer dtypes if the floats can be faithfully casted to integers.dtype_backend{‘numpy_nullable’, ‘pyarrow’}, default ‘numpy_nullable’
Back-end data type applied to the resultant DataFrame (still experimental). Behaviour is as follows:"numpy_nullable": returns nullable-dtype-backed DataFrame (default)."pyarrow": returns pyarrow-backed nullable ArrowDtype DataFrame.New in version 2.0.Returns:
Series or DataFrame
Copy of input object with new dtype.420-2、参数
420-2-1、infer_objects(可选，默认值为True)：布尔值，指示是否对object类型列进行类型推断，如果为True，则会尝试将那些可以转换为其他类型的对象列转换为更具体的数据类型。
420-2-2、convert_string(可选，默认值为True)：布尔值，指示是否将具有字符串数据的列转换为StringDtype，如果为True，将会把包含字符串的object列转换为更具表现力的字符串类型。
420-2-3、convert_integer(可选，默认值为True)：布尔值，指示是否将能够转换为整数的列转换为相应的整数类型，通过此设置，可以将数据中的整数以更合适的格式进行保存。
420-2-4、convert_boolean(可选，默认值为True)：布尔值，指示是否将布尔列转换为BooleanDtype，如果为True，布尔值将被转换为支持缺失值的布尔类型。
420-2-5、convert_floating(可选，默认值为True)：布尔值，指示是否将能够转换为浮动数据的列转换为适当的浮点类型，如果为True，浮点数将被转换为支持缺失值的浮点类型。
420-2-6、dtype_backend(可选，默认值为'numpy_nullable')：字符串，指定使用的数据类型后端，可以选择'numpy_nullable'或'pyarrow'，这决定了在转换数据时底层使用的类型支持。
420-3、功能
用于自动推断并转换DataFrame中的列数据类型，以便于后续的数据处理和分析，此方法旨在提供更灵活的类型支持，尤其在处理缺失值和兼容性方面。
420-4、返回值
返回一个新的DataFrame，其中的数据类型被转换为更适合的类型，如果DataFrame中的列可以被转换为更具体的类型，则会在返回的DataFrame中体现出来。
420-5、说明
无
420-6、用法
420-6-1、数据准备
python">无420-6-2、代码示例
python"># 420、pandas.DataFrame.convert_dtypes方法
import pandas as pd
import numpy as np
# 创建一个DataFrame
df = pd.DataFrame({'A': ['1', '2', '3', None], # 包含缺失值'B': [4.0, 5.1, 6.2, np.nan], # 包含缺失值'C': [True, False, None, True] # 布尔列，包含缺失值
})
# 查看原始数据类型
print(df.dtypes)
# 转换数据类型
df_converted = df.convert_dtypes()
# 查看转换后的数据类型
print(df_converted.dtypes)
# 打印转换后的数据
print(df_converted)420-6-3、结果输出
python"># 420、pandas.DataFrame.convert_dtypes方法
# A object
# B float64
# C object
# dtype: object
# A string[python]
# B Float64
# C boolean
# dtype: object
# A B C
# 0 1 4.0 True
# 1 2 5.1 False
# 2 3 6.2 <NA>
# 3 <NA> <NA> True
