Python 熊猫如何不适用于整列

当数据框中遇到非数值时，上述代码为字段

常规价格

的每个值分配None。我只想将

None

分配给其非数字值所在的单元格

---

谢谢

首先是不可能返回带有

整数的
NaN
s，因为
NaN
s是设计的
float

如果
混合
类型-带
字符串的数值
s，则您的解决方案有效：

self.df['Regular Price'] = self.df['Regular Price'].apply(
            lambda x: int(round(x)) if isinstance(
                x, (int, float)) else None
        )

但是，如果所有数据都是字符串，则需要使用
errors='concurve'
将非数值转换为
NaN
s：

df = pd.DataFrame({
    'Regular Price': ['a',1,2.3,'a',7],
    'B': list(range(5))
})
print (df)
   B Regular Price
0  0             a
1  1             1
2  2           2.3
3  3             a
4  4             7

df['Regular Price'] = df['Regular Price'].apply(
            lambda x: int(round(x)) if isinstance(
                x, (int, float)) else None
        )

print (df)
   B  Regular Price
0  0            NaN
1  1            1.0
2  2            2.0
3  3            NaN
4  4            7.0

编辑：

我还需要删除浮点并仅使用
int

可以将
NaN
s转换为
None
，并转换为
int
：

df = pd.DataFrame({
    'Regular Price': ['a','1','2.3','a','7'],
    'B': list(range(5))
})
print (df)
   B Regular Price
0  0             a
1  1             1
2  2           2.3
3  3             a
4  4             7

df['Regular Price'] = pd.to_numeric(df['Regular Price'], errors='coerce').round()
print (df)
   B  Regular Price
0  0            NaN
1  1            1.0
2  2            2.0
3  3            NaN
4  4            7.0


TypeError:-：“int”和“NoneType”的操作数类型不受支持



编辑：

首先可以按列删除
NaN
s行
Regular Price
，然后转换为
int

df = pd.DataFrame({
    'Regular Price': ['a','1','2.3','a','7'],
    'B': list(range(5))
})
print (df)
   B Regular Price
0  0             a
1  1             1
2  2           2.3
3  3             a
4  4             7

df['Regular Price'] = pd.to_numeric(df['Regular Price'], errors='coerce').round()
print (df)
   B  Regular Price
0  0            NaN
1  1            1.0
2  2            2.0
3  3            NaN
4  4            7.0

处理你需要的，但不要改变索引

df1 = df.dropna(subset=['Regular Price']).copy()
df1['Regular Price']  = df1['Regular Price'].astype(int)
print (df1)
   B  Regular Price
1  1              1
2  2              2
4  4              7

最后-将
NaN
添加到
常规价格
列中

#e.g. some process 
df1['Regular Price']  = df1['Regular Price'] * 100

我不知道我是否理解你的问题，但你是在寻找
applymap
方法吗？也许你是在寻找@Ivan
applymap
可以与完整的数据框架一起工作，或者它可以应用于一个特定的列？@Raheel Khan这就是
apply
和
applymap
之间的区别。看看她还好吧，如果转换成
对象
效果会好吗？这是一个有点黑客，所以要仔细测试。谢谢。不，这是第一步。但是
integer
与
NaN
s之间存在问题，并且它不是本机支持的，所以只有黑客解决方案。想法-可以改为
None
使用一些整数，如
-1
或
-1000
？最好是测试它。在
np中将
None
更改为
”
。我有主意了。是否可以先筛选
NaN
s，然后仅应用
int
s解决方案，最后添加
NaN
s？
In [274]: %timeit df['Regular Price3'] = df['Regular Price'].diff()
1000 loops, best of 3: 301 µs per loop

In [272]: %timeit df['Regular Price2'] = df['Regular Price1'] * 1000
100 loops, best of 3: 4.48 ms per loop

In [273]: %timeit df['Regular Price3'] = df['Regular Price'] * 1000
1000 loops, best of 3: 469 µs per loop

df = pd.DataFrame({
    'Regular Price': ['a','1','2.3','a','7'],
    'B': list(range(5))
})
print (df)
   B Regular Price
0  0             a
1  1             1
2  2           2.3
3  3             a
4  4             7

df['Regular Price'] = pd.to_numeric(df['Regular Price'], errors='coerce').round()
print (df)
   B  Regular Price
0  0            NaN
1  1            1.0
2  2            2.0
3  3            NaN
4  4            7.0

df1 = df.dropna(subset=['Regular Price']).copy()
df1['Regular Price']  = df1['Regular Price'].astype(int)
print (df1)
   B  Regular Price
1  1              1
2  2              2
4  4              7

#e.g. some process 
df1['Regular Price']  = df1['Regular Price'] * 100

df2 = df1.combine_first(df)
print (df2)
     B  Regular Price
0  0.0            NaN
1  1.0          100.0
2  2.0          200.0
3  3.0            NaN
4  4.0          700.0