I数据类型
astype方法是通用函数，可以把DataFrame中的任何列都转换为其他dtype
1.转换为字符串对象
把列值转换为字符串对象可以使用astype方法，该方法有一个dtype参数，用于指定转换目标数据的类型。sns中原数据集tips数据类型：
tips = sns.load_dataset("tips")
print(tips.dtypes)
tips['sex_str'] = tips['sex'].astype(str)
print(tips.dtypes)
2.转换为数值类型
向astype方法提供任何内置类型或者numpy类型来转换列的dtype
tips['total_bill'] = tips['total_bill'].astype(str)
print(tips.dtypes)
tips['total_bill'] = tips['total_bill'].astype(float)
print(tips.dtypes)
新加一些缺失值，pandas的astype方法无法将含有缺失值列的类型进行转换
#获取tips子集
tips_sub_miss = tips.head(10)
tips_sub_miss.loc[[1,3,5,7], 'total_bill'] = 'misssing'
print(tips_sub_miss)
print(tips_sub_miss.dtypes)
tips_sub_miss['total_bill'].astype(float)
2.1 to_numeric方法
to_numeric函数有一个参数 errors,它决定了当该函数遇到无法转换为数值的值时该如何处理。默认情况下,该参数值为raise,即如果to_numeric遇到无法转换为数值的值,它就会“引发”一个错误。
to numeric函数的说明文档指出，errors参数有如下3种可能的取值。
(1) raise:这是 errors参数的默认值。当to_numeric函数遇到无法转换为数值的值时,它会引发一个错误。
(2) coerce: 当to_numeric 函数遇到无法转换为数值的值时，会返回NaN。
(3) ignore: 当to_numeric函数遇到无法转换为数值的值时会放弃转换，直接返回整列(即什么都不做)。
(1)errors参数为raise时
pd.to_numeric(tips_sub_miss['total_bill'])
（2）errors参数为coerce
tips_sub_miss['total_bill'] = pd.to_numeric(tips_sub_miss['total_bill'], errors='coerce')
print(tips_sub_miss)
print(tips_sub_miss.dtypes)
（3）参数为ignore
tips_sub_miss['total_bill'] = pd.to_numeric(tips_sub_miss['total_bill'], errors='ignore')
print(tips_sub_miss)
print(tips_sub_miss.dtypes)
2.2 to_numeric向下转型
to_numeric函数还有一个 downcast参数，它允许把列(或向量）转换为数值向量之后,把数值类型更改(即向下转型)为最小的数值类型。默认情况下，downcast 的值为None，其他可能的值有“integer”“signed"“unsigned”和“float"。
downcast参数设置为float之后,total_bill 的数据类型由float64变为float32
tips_sub_miss['total_bill'] = pd.to_numeric(tips_sub_miss['total_bill'],
errors='coerce', downcast='float')
print(tips_sub_miss)
print(tips_sub_miss.dtypes)
3.分类数据
转换为category类型
tips['sex'] = tips['sex'].astype('str')
print(tips.info())
tips['sex'] = tips['sex'].astype('category')
print(tips.info())
