Python 在长轴上迭代时，数据类型会发生变化

假设我创建了一个简单的数据帧，如下所示：

import pandas as pd
import datetime as dt
import heapq

a = [1371215933513120, 1371215933513121]
b = [1,2]
d = ['h','h']
df = pd.DataFrame({'a':a, 'b':b, 'c':[dt.datetime.fromtimestamp(t/1000000.) for t in a], 'd':d})
df.index=pd.DatetimeIndex(df['c'])

d = OrderedDict()
d['x'] = df
p = pd.Panel(d)
p['x']['b'] = p['x']['b'].astype(int)

counter = 0
for dt in p.major_axis:
    print "a", counter, p['x'].dtypes
    df_s = p.major_xs(dt)
    print "b", counter, p['x'].dtypes
    print "-------------"
    counter += 1

它由三列组成，其中一列作为索引。如果开始迭代长轴值，

int

列的数据类型在第一次迭代后更改为

object

a 0 a    object
b     int64
c    object
d    object
dtype: object
b 0 a    object
b    object
c    object
d    object
dtype: object
-------------
a 1 a    object
b    object
c    object
d    object
dtype: object
b 1 a    object
b    object
c    object
d    object
dtype: object
-------------

---

有没有办法避免这种情况，使列在迭代时保留其类型？

您的构造不会保留数据类型；如果以这种方式构造，首先将保留它们

In [18]: df.set_index(['x','b']).to_panel()
Out[18]: 
<class 'pandas.core.panel.Panel'>
Dimensions: 3 (items) x 1 (major_axis) x 2 (minor_axis)
Items axis: a to d
Major_axis axis: x to x
Minor_axis axis: 1 to 2

In [19]: p1 = df.set_index(['x','b']).to_panel()

在不同的轴上使用

iloc

，可以看到数据类型被保留

In [21]: p1.iloc[0].dtypes
Out[21]: 
b
1    int64
2    int64
dtype: object

In [22]: p1.iloc[:,0].dtypes
Out[22]: 
a             int64
c    datetime64[ns]
d            object
dtype: object

In [23]: p1.iloc[:,:,0].dtypes
Out[23]: 
a             int64
c    datetime64[ns]
d            object
dtype: object

In [24]: p1.iloc[:,:,0]
Out[24]: 
                  a                          c  d
x                                                
x  1371215933513120 2013-06-14 09:18:53.513120  h

---

不能保证数据类型的保存-请尝试使用多级帧作为报告，以获得更多的控制。我可以问一下原因吗？当简单地迭代条目时，更改底层数据类型似乎有点奇怪，不是吗？您并不是简单地迭代；您正在切片（这是Majorxs的工作）。数据存储在三维数据类型块中；你在分块。啊，我明白了。但是为什么不能保证数据类型呢？在我看来，如果我有一个对象块，所有对象都是x类型，那么它们的任何子集也必须只包含x类型。实际上，您正在执行一种换位类型的操作（例如，在轴1上切片，从轴0和轴2生成一个数据帧）。数据类型是基于列的，所以这会把事情搞混。如果确实要执行此操作，请在生成的帧上尝试

convert\u objects（）

，它将清除此问题。

In [21]: p1.iloc[0].dtypes
Out[21]: 
b
1    int64
2    int64
dtype: object

In [22]: p1.iloc[:,0].dtypes
Out[22]: 
a             int64
c    datetime64[ns]
d            object
dtype: object

In [23]: p1.iloc[:,:,0].dtypes
Out[23]: 
a             int64
c    datetime64[ns]
d            object
dtype: object

In [24]: p1.iloc[:,:,0]
Out[24]: 
                  a                          c  d
x                                                
x  1371215933513120 2013-06-14 09:18:53.513120  h