Python 仅当列值为字符串时才将其转换为小写

我很难将一列转换成小写。这并不像仅仅使用：

df['my_col'] = df['my_col'].str.lower()

因为我迭代了很多数据帧，其中一些（但不是全部）在感兴趣的列中同时包含字符串和整数。这会导致lower函数（如果像上面那样应用）引发异常：

AttributeError: Can only use .str accessor with string values, which use np.object_ dtype in pandas

我希望评估值是否为字符串，如果是，则将其转换为小写，如果不是字符串，则保持原样，而不是强制将类型设置为字符串。我认为这会奏效：

df = df.apply(lambda x: x.lower() if(isinstance(x, str)) else x)

但它不起作用。。。可能是因为我忽略了一些明显的东西，但我看不到它是什么

我的数据如下所示：

                          OS    Count
0          Microsoft Windows     3
1                   Mac OS X     4
2                      Linux     234
3    Don't have a preference     0
4  I prefer Windows and Unix     3
5                       Unix     2
6                        VMS     1
7         DOS or ZX Spectrum     2

---

这些列的类型是什么<代码>对象？如果是这样，您只需将其转换为：

df['my_col'] = df.my_col.astype(str).str.lower()

MVCE：

如果要对这些行执行算术运算，可能不应该混合使用

str

s和数字类型

但是，如果确实是这样的话，您可以使用

pd.to_numeric（…，errors='concurve'）将类型转换为numeric

：

---

您可以使用NAN，但现在请注意

dtype

。

lambda函数中的测试不太正确，但您离事实并不遥远：

df.apply(lambda x: x.str.lower() if(x.dtype == 'object') else x)

使用数据帧和输出：

>>> df = pd.DataFrame(
    [
        {'OS': 'Microsoft Windows', 'Count': 3},
        {'OS': 'Mac OS X', 'Count': 4},
        {'OS': 'Linux', 'Count': 234},
        {'OS': 'Dont have a preference', 'Count': 0},
        {'OS': 'I prefer Windows and Unix', 'Count': 3},
        {'OS': 'Unix', 'Count': 2},
        {'OS': 'VMS', 'Count': 1},
        {'OS': 'DOS or ZX Spectrum', 'Count': 2},
    ]
)
>>> df = df.apply(lambda x: x.str.lower() if x.dtype=='object' else x)
>>> print(df)
                          OS  Count
0          microsoft windows      3
1                   mac os x      4
2                      linux    234
3     dont have a preference      0
4  i prefer windows and unix      3
5                       unix      2
6                        vms      1
7         dos or zx spectrum      2

---

从以上两个答案来看，我认为这样做更安全：

注意

astype（str）

---

因为如果字符串列碰巧只包含某些行中的数字，不执行

astype（str）

将它们转换为nan。这可能会稍微慢一点，但它不会将只有数字的行转换为nan。

这同样有效，并且可读性很强：

for column in df.select_dtypes("object").columns:
    df[column] = df[column].str.lower()

---

一个可能的缺点可能是

for

在列的子集上循环。

您可以只执行

df['my\u col']=df['my\u col'].astype（str）.str.lower（）

要强制所有内容都执行

str

，是否有理由混合

dtype

，因为这是没有性能的。。。我不确定。返回时，astype（str）不会将“Count”列中的所有整数转换为字符串吗？如果是这样的话，这难道不会阻止以后的算术运算吗？我应该在原来的问题中加上这个…谢谢！我同意这两种类型不应该混用。问题是这是用户输入的数据，很难阻止人们这样做！下次，我需要更好地限制用户输入。@user4896331在此之前，

pd。to_numeric

是你的朋友。如果您以前没有看到编辑，请查看我的答案。谢谢。另一个答案也很好，但这一个在应用小写字母之前对对象进行了测试，这正是我所寻找的。

>>> df = pd.DataFrame(
    [
        {'OS': 'Microsoft Windows', 'Count': 3},
        {'OS': 'Mac OS X', 'Count': 4},
        {'OS': 'Linux', 'Count': 234},
        {'OS': 'Dont have a preference', 'Count': 0},
        {'OS': 'I prefer Windows and Unix', 'Count': 3},
        {'OS': 'Unix', 'Count': 2},
        {'OS': 'VMS', 'Count': 1},
        {'OS': 'DOS or ZX Spectrum', 'Count': 2},
    ]
)
>>> df = df.apply(lambda x: x.str.lower() if x.dtype=='object' else x)
>>> print(df)
                          OS  Count
0          microsoft windows      3
1                   mac os x      4
2                      linux    234
3     dont have a preference      0
4  i prefer windows and unix      3
5                       unix      2
6                        vms      1
7         dos or zx spectrum      2

df_lower=df.apply(lambda x: x.astype(str).str.lower() if(x.dtype == 'object') else x)

for column in df.select_dtypes("object").columns:
    df[column] = df[column].str.lower()