写在前面

• 有些时候我们拿到的数据同一列里面值的格式不一致，导致后面数据处理出现报错，所以需要提前统一数据格式。
• 需要填充nan值时，可以使用fillnan。但有时我们需要把非空值填充为指定值，尝试过用不少方法，例如 ：aplly结合lambda，df[col_name].isnull 等，效果都不是很理想。

1. 类型查看及转换

1.1 查看

• df 为pd.read_exel等后的对象

df.dtypes

• 只要需要数值列，也就是数据类型为int、float的列，可以通过select_dtypes方法实现：

# 单一类型
df.select_dtypes(exclude='int').head()
# 多类型
df.select_dtypes(include=['int', 'datetime', 'object']).head()

1.2 类型转换

在pandas中，有两种方法可以将字符串改为数值：注意自主迁移

• astype()
• to_numeric()

# 工作场景  区域列里面有 int 和 str 无法进行字符串拼接
 df["区域"] = df["区域"].astype(str)

# 自己实现的一种方法
# 将手机号格式转换成字符串格式，方便下面合并
# dict_config["change_col"][0] 是写在配置文件里的列名
    df1[dict_config["change_col"][0]] = list(
        map(str, df1[dict_config["change_col"][0]]))

1. 3 参考案例

https://blog.csdn.net/weixin_42311427/article/details/112412998

2. 将列非空值 统一为特定值

2.1 场景分析

• 填充nan值时，内置的fillna就提供了很多方式， 但注意把inplace置为True
• 其他局部值得填充最好用where
• 如果是整列替换时就很容易了 直接 df[col_name]= value

2.2 案例， 值填充

• 工作场景中：merge 合并后 NA值是未匹配的，置为新用户， 可以使用fillna
• 匹配到的存在值 就置为老用户

# NA的就是老用户的 选择省作为NA判断原因  省是查询表的字段
data["省"].where(data["省"].isnull(), "新用户", inplace=True)
data["省"].fillna("老用户", inplace=True)

最后

• 以上已经解决了遇到的实际问题， 具体的语法糖没有详细介绍，有需要的可以根据上面给出的关键词快速检索。