数据集中的常见数据类型

如本章引言所述，理解每列中存储的数据类型非常重要。计算机和软件工具需要这些信息才能正确执行操作。想象一下，如果价格以文本形式（如'\19.99$'）而不是数字形式存储，您将无法计算平均价格；或者如果日期被视为普通文本字符串（如'Jan 1st'），您将难以按时间顺序排序事件。使用错误的数据类型可能导致错误、不正确的计算和误导性的结果。

下面我们来看看处理数据集时最常见的数据类型：

数值类型

这些代表数值，对于数学计算必不可少。

• 整数 (int): 这些是整数，可以是正数或负数，没有小数点。可以想成计数、索引或离散数量。
  • 示例: 10, -5, 0, 1024
• 浮点数 (float): 这些代表实数，包括带小数点的数字。它们用于测量、百分比或任何需要超出整数精度的值。
  • 示例: 3.14, -0.5, 98.6, 2.71828

您可以对数值类型执行加法、减法、乘法和除法等算术运算。如果$5 + 10$都是数值，它们的相加会如预期一样；但如果'5'存储为文本，该操作可能会失败或产生意想不到的结果，例如文本连接（'510'）。

字符串类型 (str)

字符串代表文本数据。它们是用引号（单引号 ' ' 或双引号 " "）括起来的字符序列。任何内容都可以表示为字符串，包括名称、地址、描述、代码，甚至是不打算用于计算的数字（如邮政编码或ID号）。

• 示例: 'Hello World', "Data Science", '123 Main St', "ID-9876", 'True' (注意：是单词'True'，不是布尔值), '2023-10-26' (表示为文本的日期)

虽然字符串可以包含数字，但它们被视为文本字符，而非数值。数学运算通常不直接以数值意义应用于字符串。

布尔类型 (bool)

布尔值代表真值，表示两种状态之一：真或假。它们在逻辑、比较和控制流中非常重要。

• 值: True, False

这些通常来自比较（例如，price > 100吗？）或代表二元状态（例如，is_subscribed，email_verified）。

日期时间类型

这些专门类型代表日期、时间或两者。以正确的日期时间格式存储日期和时间，可以进行按时间顺序排序、计算持续时间、提取组成部分（如年、月、日、小时）以及执行基于时间的分析。如果日期以字符串形式存储（'October 26, 2023', '26/10/2023'），那么不进行转换，这些操作就会变得困难得多甚至不可能。

• 示例: 2023-10-26 (日期), 14:30:00 (时间), 2023-10-26 14:30:00 (日期时间)

分类类型

虽然有时最初表示为字符串，但分类数据代表属于固定、有限数量的类别或组的变量。示例包括用户评分（'低'、'中'、'高'）、产品类型（'电子产品'、'服装'、'杂货'）或调查响应（'同意'、'中立'、'不同意'）。识别这些有时可以优化存储和分析，尽管对于基本清理，处理它们通常涉及确保字符串表示的一致性。

数据集中常见数据类型的一种分类。

理解这些基本类型是第一步。在后续章节中，我们将了解如何检查数据集中当前的数据类型，更重要的是，如何将列转换为其正确类型，以确保您的数据已准备好进行可靠分析。