使用f1_new2.info()
结果为
49 前第3个月欠费金额 5420 non-null object
使用f1_new2["前第3个月欠费金额"].describe()
结果为
Name: 前第3个月欠费金额, dtype: float64
为什么一个结果是Object类型的,而另一个结果是float类型的
使用f1_new2.info()
结果为
49 前第3个月欠费金额 5420 non-null object
使用f1_new2["前第3个月欠费金额"].describe()
结果为
Name: 前第3个月欠费金额, dtype: float64
为什么一个结果是Object类型的,而另一个结果是float类型的
当你使用 f1_new2.info() 函数时,Pandas 会打印出每一列的名称、非空值的数量以及数据类型。因此,在你的情况中,Pandas 将 "前第3个月欠费金额" 列的数据类型标记为 "object"。
相反,当你使用 f1_new2["前第3个月欠费金额"].describe() 时,Pandas 会对该列的数据进行描述性统计。因为该列的数据是数值型的,所以 Pandas 将该列的数据类型标记为 "float64"。
有时候,Pandas 可能会将数据类型标记为 "object",即使它们是数值型的,这是因为数据中可能存在字符串或其他非数值型的值。在这种情况下,你可能需要使用 pd.to_numeric 函数将这些值转换为数值型,以便进行进一步的分析。
例如,你可以这样做:
f1_new2["前第3个月欠费金额"] = pd.to_numeric(f1_new2["前第3个月欠费金额"])
这样,你就可以使用 f1_new2["前第3个月欠费金额"].describe() 进行描述性统计,而不会再收到类似 "float64" 的错误消息了。