择洗篇-Day11｜调味转化：astype 类型转换，规范化数据

📖 知识点

1. 为什么要做类型转换？

数据类型决定能做什么操作：

• 数字列才能加减、算均值
• 日期列才能按时间排序、分析
• 文本列不能直接算数

如果 "价格" 读成了文本（object），df["价格"].sum() 会出错或乱算。用 astype 把它转成数字，数据才 "入味可用"。

💡 生活比喻 糖该是甜的、盐该是咸的。astype 就是把误放的糖换成盐、把整包调料归位 —— 让每样数据回到它该有的 "属性"。

2. astype () 基本用法

# 把"价格"列转成整数
df["价格"] = df["价格"].astype(int)

# 把"销量"列转成浮点数
df["销量"] = df["销量"].astype(float)

# 把"日期"列转成字符串
df["日期"] = df["日期"].astype(str)

3. 常用类型

4. 查看转换效果

转换后用 dtypes 验证：

df["价格"] = df["价格"].astype(int)
print(df.dtypes)   # 价格变为 int64

⚠️ 易错提醒

1. astype 返回新列，要赋值回原列或原表才生效（df["列"] = df["列"].astype(int)）
2. 列里若有无法转的文本（如 "5 元"），转 int 会报错，需先清洗（Day12）
3. 转换前先用 dtypes 看清当前类型，判断需不需要转

⚔️ Kata 实战任务

任务需求：

1. 导入 pandas，创建一份 "含文本数字" 的数据（价格是字符串、数量是字符串）
2. 先用 dtypes 查看当前类型（应为 object 文本）
3. 用 astype 把 "价格" 转成 int、"数量" 转成 float
4. 再次查看 dtypes，确认类型已转换
5. 用转换后的数字列做一次求和，验证可正常计算

参考代码

import pandas as pd

# 数据里价格、数量是"文本数字"（object类型）
data = {
    "菜名": ["白菜", "番茄", "土豆"],
    "价格": ["3", "5", "2"],       # 字符串数字
    "数量": ["10", "20", "30"],    # 字符串数字
}
df = pd.DataFrame(data)

print("===== 转换前类型 =====")
print(df.dtypes)

# 调味转化：把文本数字转成真正的数字
df["价格"] = df["价格"].astype(int)
df["数量"] = df["数量"].astype(float)

print("\n===== 转换后类型 =====")
print(df.dtypes)

print("\n===== 验证可计算 =====")
print("总价合计：", df["价格"].sum())
print("数量合计：", df["数量"].sum())

运行输出：

===== 转换前类型 =====
菜名    object
价格    object
数量    object
dtype: object

===== 转换后类型 =====
菜名     object
价格      int64
数量    float64
dtype: object

===== 验证可计算 ====="
总价合计： 10
数量合计： 60.0

💡 观察：转换前价格 / 数量是 object（文本），无法算数；astype 转成 int/float 后，.sum() 正常求和。这就是 "调味" 的威力。

🧠 思考题

1. 如果 "价格" 列是 "5元" 这样的文本，直接 astype(int) 会怎样？应该先做什么？
2. 为什么说 "类型决定能做什么操作"？举一个数字列是文本导致出错的例子。