web-dev-qa-db-fra.com

pandas.to_numeric - savoir quelle chaîne il n'a pas pu analyser

Appliquer pandas.to_numeric à une colonne de trame de données qui contient des chaînes qui représentent des nombres (et éventuellement d'autres chaînes non analysables) entraîne un message d'erreur comme celui-ci:

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-66-07383316d7b6> in <module>()
      1 for column in shouldBeNumericColumns:
----> 2     trainData[column] = pandas.to_numeric(trainData[column])

/usr/local/lib/python3.5/site-packages/pandas/tools/util.py in to_numeric(arg, errors)
    113         try:
    114             values = lib.maybe_convert_numeric(values, set(),
--> 115                                                coerce_numeric=coerce_numeric)
    116         except:
    117             if errors == 'raise':

pandas/src/inference.pyx in pandas.lib.maybe_convert_numeric (pandas/lib.c:53558)()

pandas/src/inference.pyx in pandas.lib.maybe_convert_numeric (pandas/lib.c:53344)()

ValueError: Unable to parse string

Ne serait-il pas utile de voir quelle valeur n'a pas pu être analysée?

10
clstaudt

Je pense que vous pouvez ajouter le paramètre errors='coerce' pour convertir les mauvaises valeurs non numériques en NaN, puis vérifiez ces valeurs par isnull et utilisez boolean indexing :

print (df[pd.to_numeric(df.col, errors='coerce').isnull()])

Échantillon:

df = pd.DataFrame({'B':['a','7','8'],
                   'C':[7,8,9]})

print (df)
   B  C
0  a  7
1  7  8
2  8  9

print (df[pd.to_numeric(df.B, errors='coerce').isnull()])
   B  C
0  a  7

Ou si besoin, trouvez toutes les chaînes dans une colonne mixte - nombre avec des valeurs de chaîne vérifiez type des valeurs si est string:

df = pd.DataFrame({'B':['a',7, 8],
                   'C':[7,8,9]})

print (df)
   B  C
0  a  7
1  7  8
2  8  9

print (df[df.B.apply(lambda x: isinstance(x, str))])
   B  C
0  a  7
17
jezrael

J'ai pensé la même chose, et je ne sais pas s'il y a une meilleure façon, mais ma solution de contournement actuelle consiste à rechercher des caractères qui ne sont pas des nombres ou des points. Cela pose généralement le problème. Il y a des cas où plusieurs périodes peuvent causer un problème, mais je les ai trouvées rares.

import pandas as pd
import re

non_numeric = re.compile(r'[^\d.]+')

df = pd.DataFrame({'a': [3,2,'NA']})
df.loc[df['a'].str.contains(non_numeric)]
2
3novak