將pandas列從對象轉換為字符串或int / float類型是否必要還是有益？

Question

我有一個帶有兩個變量的pandas df ：

id    name
011    Peter Parker
022    Warners Brother
101    Bruce Wayne

當前它們都是對象類型。

假設我想通過過濾某些條件來創建較小的數據框

df_small = df.loc[df['id']=='011']
df_small2 = df.loc[df['name']=='Peter Parker']

我已經想到並看到人們將對象類型列轉換為其他特定的數據類型。 我的問題是，如果我已經可以基於字符串比較（如上）對它們進行過濾，我是否需要這樣做？ 將它們轉換為特定的字符串或int / float類型有什么好處？

Answer 1

您詢問了從string或object dtypes轉換的好處。 我至少可以想到2個。 以以下數據框為例：

df = pd.DataFrame({'int_col':np.random.randint(0,10,10000), 'str_col':np.random.choice(list('1234567980'), 10000)})

>>> df.head()
   int_col str_col
0        7       0
1        0       1
2        1       8
3        6       1
4        6       0

此數據幀包括10000行，並具有一個int列和一個object （即string）列以進行顯示。

內存優勢：

整數列比對象列占用更少的內存：

>>> import sys
>>> sys.getsizeof(df['int_col'])
80104
>>> sys.getsizeof(df['str_col'])
660104

速度優勢：

由於您的示例與過濾有關，因此請看一下對整數而不是字符串進行過濾時的速度差異：

import timeit

def filter_int(df=df):
    return df.loc[df.int_col == 1]


def filter_str(df=df):
    return df.loc[df.str_col == '1']

>>> timeit.timeit(filter_int, number=100) / 100
0.0006298311000864488
>>> timeit.timeit(filter_str, number=100) / 100
0.0016585511100129225

在某些情況下，這種類型的速度差異可能會極大地加快代碼的速度。