Pandas.read_excel 有时会错误地将布尔值读取为 1/0

我需要将一个非常大的 Excel 文件读入 DataFrame 中。该文件包含字符串、整数、浮点和布尔数据，以及丢失的数据和完全空的行。还值得注意的是，某些单元格值源自单元格公式和/或 VBA - 尽管理论上这不会影响任何内容。

正如标题所示，pandas 有时将布尔值读取为 float 或 int 1 和 0，而不是 True 和 False。它似乎与空行的数量和其他数据的类型有关。为了简单起见，我只是链接了一个复制问题的 2 页 Excel 文件。布尔_1.xlsx https://drive.google.com/open?id=1IhgcDh8Z2Fyrwf3U3uBlcIr9XKNidz8b

这是代码：

import pandas as pd
df1 = pd.read_excel('Boolean_1.xlsx','Sheet1')
df2 = pd.read_excel('Boolean_1.xlsx','Sheet2')
print(df1, '\n' *2, df2)

这是打印件。主要注意行 ZBA，它在两个工作表中具有相同的值，但在 DataFrame 中具有不同的值：

  Name stuff  Unnamed: 1 Unnamed: 2 Unnamed: 3
0         AFD          a        dsf        ads
1         DFA          1          2          3
2         DFD      123.3       41.1       13.7
3        IIOP        why        why        why
4         NaN        NaN        NaN        NaN
5         ZBA      False      False       True 

   Name adslfa  Unnamed: 1  Unnamed: 2  Unnamed: 3
0        asdf         6.0         3.0         6.0
1         NaN         NaN         NaN         NaN
2         NaN         NaN         NaN         NaN
3         NaN         NaN         NaN         NaN
4         NaN         NaN         NaN         NaN
5         ZBA         0.0         0.0         1.0

我还能够在我实际处理的大文件中获得整数 1 和 0 的输出（是的），但无法轻松复制它。

是什么导致了这种不一致，有没有办法强制熊猫按照应该读取的方式读取布尔值？

Pandas 的铸型是按列/系列应用的。一般来说，Pandas 不能很好地处理混合类型，或者object数据类型。您应该期望内部逻辑能够确定一系列最有效的数据类型。在这种情况下，Pandas 选择了floatdtype 适用于包含以下内容的系列float and bool价值观。在我看来，这是高效且简洁的。

但是，正如您所指出的，当您有转置的输入数据集时，这将不起作用。让我们从头开始设置一个示例：

import pandas as pd, numpy as np

df = pd.DataFrame({'A': [True, False, True, True],
                   'B': [np.nan, np.nan, np.nan, False],
                   'C': [True, 'hello', np.nan, True]})

df = df.astype({'A': bool, 'B': float, 'C': object})

print(df)

       A    B      C
0   True  NaN   True
1  False  NaN  hello
2   True  NaN    NaN
3   True  0.0   True

选项 1：更改“行数据类型”

您可以在不转置数据的情况下更改行中对象的数据类型。这将迫使B系列拥有objectdtype，即存储指向任意类型的指针的系列：

df.iloc[3] = df.iloc[3].astype(bool)

print(df)

       A      B      C
0   True    NaN   True
1  False    NaN  hello
2   True    NaN    NaN
3   True  False   True

print(df.dtypes)

A      bool
B    object
C    object
dtype: object

选项 2：转置并转换为布尔值

在我看来，这是更好的选择，因为数据类型被附加到特定类别/系列的输入数据。

df = df.T                   # transpose dataframe
df[3] = df[3].astype(bool)  # convert series to Boolean

print(df)

      0      1     2      3
A  True  False  True   True
B   NaN    NaN   NaN  False
C  True  hello   NaN   True

print(df.dtypes)

0    object
1    object
2    object
3      bool
dtype: object