数据类型转换是在学校或培训的时候，最容易忽略的问题，却是在工作的时候最最最重要的一个问题，它是一切后续计算和处理的基础，很多人就迈不过数据类型转换的坎儿。

先来看一下Pandas、Numpy、Python各自支持的数据类型有哪些。Pandas支持的数据类型最为丰富。

接下来用一个案例来展示数据类型转换，案例数据已做脱敏处理。先展示一下原始数据：

import numpy as np
import pandas as pd 
customer=pd.read_excel('D:\\\\Arya\\\\专栏客户分组_01.xlsx') #读取数据
print(customer.dtypes) #打印数据类型，重要！！！每次读取数据后都要先检查数据类型。
昵称        object
详细地址      object
付款笔数       int64
付款金额      object
最近下单时间    object
最后付款时间    object
dtype: object

字段：付款笔数

问题：付款金额的类型是object，是无法做加减运算的。

目标：将金额转换为数字类型。

分析：观察付款金额数据，实现转换需要两步。1.去掉货币符号￥3,999.00--->3,999.00；2.去掉千分位符3,999.00--->3999.00

实现：

def covert_currency(x): #1定义改变货币的函数
    if x==0:
        return 0
    else:
        return x.replace("￥","").replace(",","")
    
fj_str=customer['付款金额'].apply(lambda x:covert_currency(x)) #2
customer['付款金额']=pd.to_numeric(cust_str) #3

解释：上述代码就实现了货币金额转为数字的操作。现在来解释一下，为什么要用这样的方法，来实现转换。

一. pandas实现数据类型转换有三种基本方法：

• 使用astype()函数进行强制类型转换
• 自定义函数进行数据类型转换
• 使用Pandas提供的函数如to_numeric()、to_datetime()

1. astype

（1）pandas不能够直接将货币转为数值型。

customer['付款金额']=customer['付款金额'].astype('float64') #会报错
ValueError: could not convert string to float: '￥749.00'

（2）即使能用astype()进行转换，也有时候效果不理想（神坑！！！）有一次笔者用astype处理20万左右数据，虽然执行成功实现了数据类型转换，但是数字错乱，具体的案例不上传了。所以astype函数直接被我拉进了黑名单！查询了一下原因，astype有效的情况有限，最好是数据列中的每一个单位都能简单的解释为数字，且数据列中的每一个单位都是数值类型且向字符串object类型转换。

2. 自定义函数

见本案例。

3. pandas提供的类型转换函数

pd.to_datetime
pd.to_timedelta
pd.to_numeric
pd.to_msgpack
pd.to_pickle

二. apply函数和lambda函数

1. apply

pandas里面如果才有for来遍历循环的话，速度会狠狠狠慢的。使用apply函数来替代执行，速度则会非常快。

apply(func,axis='major',*args,**kwargs)

参数解释：

--->func : function函数

--->axis : 作用的轴

--->*args：arguments，表示将实参中按照位置传值，多出来的值都给args，且以元组的方式呈现
--->**kwargs : 表示形参中按照关键字传值，把多余的传值以字典的方式呈现

如果系统中，已经存在了一个函数func。现在需要传入参数值来运行，这个参数值需要按照位置进行传入，这时候就需要apply函数，apply()返回的值是fun()的返回值。apply()的本质就是按照位置传递参数的函数。

2. lambda

请看文章：