Pandas read_fwf：指定数据类型

Question

我正在分块读取一个巨大的固定宽度文本文件，并将数据导出为 csv。因为pandas.read_fwf不允许指定数据类型，所以我想知道还有什么其他方法可以强制列为字符串。原因是 pandas 推断某些列是浮动的，即使它们不是浮动的，而且我不希望.0在列中出现浮动。

使用data[column] = data[column].astype(str)没有帮助，因为它不会消除小数。将 float64 数据类型的列转换为 int 也不起作用，因为 NA 无法转换。有任何想法吗？

这是我的代码片段：

dat = pd.read_fwf(file_to_read,colspecs=cols,header=None,chunksize=100000,names=header)
#First chunk
data.info()
Int64Index: 100000 entries, 0 to 99999
Columns: 562 entries,
dtypes: float64(405), int64(4), object(153)
memory usage: 429.5+ MB

for column in data.columns:
    if data[column].dtype == 'float64':
        data[column] = data[column].astype(int)
    else:
        pass

我可以这样做str().replace('.0','')，但我想找到一种比遍历列更简单的方法，这需要花费大量时间。

Answer 1

该converter参数可用于将数据保留为字符串，因为pd.read_fwf如果指定了转换器，则不会尝试猜测数据类型：

import pandas as pd
try:
    # for Python2
    from cStringIO import StringIO 
except ImportError:
    # for Python3
    from io import StringIO

content = '''\
1.0    2    A
3.0    4    B
5      X    C
M      Y    D
'''
header = ['foo', 'bar', 'baz']

for df in pd.read_fwf(StringIO(content), header=None, chunksize=2, names=header,
                      converters={h:str for h in header}):
    print(df)
df.info()

产量

   foo bar baz
0  1.0   2   A
1  3.0   4   B

  foo bar baz
0   5   X   C
1   M   Y   D

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2 entries, 0 to 1
Data columns (total 3 columns):
foo    2 non-null object
bar    2 non-null object
baz    2 non-null object
dtypes: object(3)
memory usage: 120.0+ bytes