这是一个关于 pandas 从基础到进阶的练习题系列，来源于 github 上的 guipsamora/pandas_exercises 。这个项目从基础到进阶，可以检验你有多么了解 pandas。

我会挑选一些题目，并且提供比原题库更多的解决方法以及更详尽的解析。

计划每天更新一期，希望各位小伙伴先自行思考，再查看答案。如果对你有帮助，记得转发推荐给你的好友！

上期文章：pandas每天一题-题目5：统计空值数量也有多种实现方式

后台回复"数据"，可以下载本题数据集

如下数据：

数据描述：

此数据是订单明细表。一个订单会包含很多明细项，表中每个样本(每一行)表示一个明细项order_id 列存在重复quantity 是明细项数量

需求：将价格列转成数值

下面是答案了

方式1

这是源项目的解决方式：

df = pd.read_csv('chipotle.tsv', sep='\t', dtype={'order_id': str})dollarizer = lambda x: float(x[1:-1])df.item_price = df.item_price.apply(dollarizer)df

行3：由于定义的函数，被用在行4的Serise(一列值)的apply方法中 ，因此参数 x是每个单元格的文本。x[1:-1] 是 python 的切片，从第二个字符取到最后，实际作用就是去掉 $ 符号用 float 函数转成数值

点评：

这种方式不是 pandas 的风格方式2

pandas 为文本列提供了切片方式：

df['item_price'].str[1:-1]

返回的仍然是 Series

同样地，也有方法直接转类型：

df['item_price'] = df['item_price'].str[1:-1].astype(float)df

astype(float) 即可转换类型

点评：

这种方式比起方式1更加简单直观。缺点是需要记住 pandas 的方法，而且如果你希望加载数据的时候就做转换，那么方式1更加合适。方式3

大部分从文件加载数据的方法都会提供一个转换的参数，让你可以在数据加载成 DataFrame 之前做类型转换：

df = pd.read_csv('chipotle.tsv',                 sep='\t',                 converters={'item_price': lambda x: float(x[1:-1])})df

行3：converters 参数提供字典，key 是列表或位置索引(比如这里可以设置4)都可以，对应一个处理函数。此时该列的每个值都被传入函数中处理

点评：

有时候我们必须在数据转成 DataFrame 之前做正确的处理，比如身份证号码，如果加载后已经变成科学计数法，那么你是没有机会转回正确的文本。这种解法就适合使用

推荐阅读：

Python解决Sql题目，pandas其他思路解法，原来这么简单 这个烂大街的用户消费分析案例，我用了点不一样的pandas技巧