关于pandas精度控制

标签：out   ring   lambda   数据   dex   合并   参数   保存数据   缺点   

最近使用pandas处理一批数据，数据中包含几个columns，它们的数据精度，例如

3.25165，1451684684168.0，0.23

处理完之后保存csv时发现，1451684684168.0被保存为1.45168e+12，我需要完全保存数据信息

Google一番发现pandas自带了如下函数：

DataFrame.to_csv(‘out.csv‘, float_format = ‘%.3f‘)

由于我的文件中包含不同精度数据，不能一概而论，所以初步想法是想把1451684684168.0转换为str处理，

有以下几种办法：

1.df[‘id‘].apply(str)或者df[‘id‘].astype(basestring)

这个方法可以将某个column变为str，缺点是不能控制精度，转出来还是1.45168e+12

2.pandas.DataFrame.to_string或者pandas.Series.to_string

这个两种方法可以将整个DataFrame或者Series转成str，参数很多，而且可以控制精度。

需要注意的是参数formatters和float_format，它们两的参数是以函数的形式给出的

######################################################

myformatter = lambda x: ‘%4.1f‘ % x
formatters = {‘A‘: myformatter}
float_format = myformatter

######################################################

由于我使用的是pd(0.17.1)版本，与官方的0.19.2的不同，

pandas.Series.to_string参数中缺少index

所以我将Series转换为DataFrame处理，下面给出代码：

#####################################################

Tpart1 = dfN.iloc[:,0:12]
Tpart2 = dfN.iloc[:,12]
Tpart3 = dfN.iloc[:,13:16]

myformat = lambda x: ‘%.0f‘%x   # #保留整数
str1 = pd.DataFrame(Tpart2, columns=[‘time‘])
str2 = str1.to_string(float_format = myformat, index = False, header = False)  # #去除column name以及index name
str3 = str2.split(‘\n‘)
Tpart2 = pd.DataFrame(str3, columns=[‘time‘])   ##重新变为DataFrame

npart1 = pd.concat([Tpart1, Tpart2, Tpart3], axis = 1)  # #合并

#######################################################

pandas的向量处理速度还是很快的，程序中尽量不使用for语句来逐一处理。

关于pandas精度控制

标签：out   ring   lambda   数据   dex   合并   参数   保存数据   缺点   

原文地址：http://www.cnblogs.com/AndersonX/p/6305545.html