как преобразовать объект типа columnt в float в датафрейме - PullRequest
Новая
       22

как преобразовать объект типа columnt в float в датафрейме

0 голосов
/ 30 января 2020

У меня есть следующий фрейм данных: 

        ID customer Month   Amount
    0   026         201707  31,65
    1   026         201708  31,65
    2   026         201709  31,65
    3   026         201710  31,65
    4   026         201711  31,65

.....

, где 'Amount' - object type. Я хочу рассчитать сумма и средняя сумма для каждого ID. Сначала я попытался преобразовать столбец 'Amount' из object в float

df ['Amount'] = pd.to_numeri c (df ['Amount' ], errors = 'coerce')

но я получил NaN для всех значений в столбце 'Amount' 

        ID customer Month   Amount
    0   026         201707  NaN 
    ....

Как преобразовать тип объекта столбца в float с помощью действительные числа и агрегированные значения для каждого клиента (сумма, среднее, среднее)?

1 Ответ

0 голосов
/ 30 января 2020

Используйте Series.str.replace перед pd.to_numeric для преобразования , в . Тогда вы можете использовать groupby.agg

agg_df = (df.assign(Amount = pd.to_numeric(df['Amount'].str.replace(',','.'),
                                           errors = 'coerce'))
            .groupby('ID').Amount.agg(['mean','sum']))
print(agg_df)
#if you want change the type of Amount previously
#df['Amount'] =pd.to_numeric(df['Amount'].str.replace(',','.'),errors = 'coerce')
#agg_df = df.groupby('ID').Amount.agg(['mean','sum']))

     mean    sum
ID              
0   31.65  31.65
1   31.65  31.65
2   31.65  31.65
3   31.65  31.65
4   31.65  31.65

Если вы хотите агрегировать в начальный фрейм данных GroupBy.transform: 

groups = pd.to_numeric(df['Amount'].str.replace(',','.'),errors = 'coerce').groupby(df['ID'])
#if you want change the type of Amount previously
#df['Amount'] =pd.to_numeric(df['Amount'].str.replace(',','.'),errors = 'coerce')
#groups = df.groupby('ID')['Amount']
df['mean'] = groups.transform('mean')
df['sum'] = groups.transform('sum')
print(df)
   ID  customer   Month Amount   mean    sum  
0   0        26  201707  31,65  31.65  31.65  
1   1        26  201708  31,65  31.65  31.65  
2   2        26  201709  31,65  31.65  31.65  
3   3        26  201710  31,65  31.65  31.65  
4   4        26  201711  31,65  31.65  31.65
...