如何使用pandas.read_csv读取csv文件时将pandas.dataframe中的元素转换为np.float？

Question

我有一个.csv文件，它是软件的导出输出。 这个.csv文件包含很多NaN。 我需要通过将数据读入数据帧来分析数据，并使用dataframe.fillna(0)将所有NaN替换为0.但是，当我使用pandas.read_csv()导入此.csv文件时，元素的类型在数据帧中是'str'，因此不能使用dataframe.fillna(0) 。 所以我的问题是：如何在读取.csv文件时将元素转换为np.float？

有一种说法是dtype为pandas.read_csv ，这里是explantion：

dtype : Type name or dict of column -> type, default None
Data type for data or columns. E.g. {‘a’: np.float64, ‘b’: np.int32} Use str 
or object to preserve and not interpret dtype. If converters are specified, 
they will be applied INSTEAD of dtype conversion.

有关如何使用它的任何例子？

非常感谢你！

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ~~~~~~~~~~~~~~~~~~~~~~~~~

更新：

以下是答复者提出的几种解决方案：

（1）来自@Jakub。 在pandas.read_csv()设置na_values=NaN ，因此.csv文件中的所有元素都可以转换为np.float作为读入数据帧。

（2）来自@AndréChristofferAndersen。 读取.csv文件作为数据帧后。 使用pandas.to_numeric将数据帧的列转换为np.float 。 使用for循环将所有列转换为数字。

（3）来自@ThisGuyCantEven。 使用numpy.loadtxt将.csv文件读入numpy.ndarray 。 使用skiprows参数跳过具有不相等元素的行。 然后使用numpy.nan_to_num()将nan转换为零。

希望它能帮助读者！

Answer 1

如果您有足够新的pandas版本，您还可以使用pd.to_numeric（...） ：

df['mycol'] = pd.to_numeric(df['mycol'], errors='coerce')

而且，这是一个转换整个数据帧的技巧：

for col in df.columns:
    df[col] = pd.to_numeric(df[col], errors='coerce')

Answer 2

为什么不使用numpy.loadtxt ？ 如果你想使用pandas，因为你有混合数据而你想要一个数字列作为numpy数组，你总是可以使用df['column'].as_matrix() ，或者你可以转换整个数据框，如果你想。