如何将Pandas中带单位的字符串格式Funding列转为整数并处理Unknown值？

读取CSV文件时，Funding列以字符串格式存储公司融资金额，包含$、M（百万）、B（十亿）单位，还有Unknown值。示例数据代码如下：

# 创建ID列（1到10）
id_col = list(range(1, 11))

# 创建Funding列
funding_col = ['$5M', '$20M', '$5M', 'Unknown', '$20M', 'Unknown', 'Unknown', '$5M', '$20M', 'Unknown']

# 构建数据字典
data = {'ID': id_col, 'Funding': funding_col}

# 创建DataFrame
df = pd.DataFrame(data)

# 打印DataFrame
print(df)

需求：将Funding列转换为整数类型，同时处理Unknown值。此前尝试过用.strip()去除符号，以及pd.to_numeric(df['A'], errors='coerce')转换，需要更完整的解决方案。

可以通过字符串提取、单位换算、缺失值处理完成转换，具体步骤如下：

• 替换Unknown为缺失值并提取数值与单位
  先用str.replace把Unknown替换为NaN，再用正则表达式str.extract拆分出金额数值和单位（M/B）：

  import pandas as pd
  import numpy as np
  
  # 替换Unknown为NaN
  df['Funding'] = df['Funding'].replace('Unknown', np.nan)
  
  # 提取数值部分（数字）和单位部分（M/B）
  df[['amount', 'unit']] = df['Funding'].str.extract(r'\$(\d+)([MB])', expand=True)
  

• 转换数值类型并进行单位换算
  把提取出的amount转为整数类型，再根据单位换算成实际金额（M代表百万，B代表十亿）：

  # 转换amount为整数
  df['amount'] = df['amount'].astype(int)
  
  # 单位换算：M转百万，B转十亿
  df['Funding_numeric'] = np.where(df['unit'] == 'M', df['amount'] * 1_000_000, df['amount'] * 1_000_000_000)
  

• 处理缺失值并转换为整数类型
  Unknown对应的Funding_numeric会是NaN，有两种处理方式：

  • 方案1：保留缺失值，使用Pandas的Int64类型（支持整数类型的缺失值）

    df['Funding_numeric'] = df['Funding_numeric'].astype('Int64')
    

  • 方案2：用默认值（比如0）填充缺失值，转为普通整数类型

    df['Funding_numeric'] = df['Funding_numeric'].fillna(0).astype(int)
    

完整示例代码 #

import pandas as pd
import numpy as np

# 创建示例数据
id_col = list(range(1, 11))
funding_col = ['$5M', '$20M', '$5M', 'Unknown', '$20M', 'Unknown', 'Unknown', '$5M', '$20M', 'Unknown']
data = {'ID': id_col, 'Funding': funding_col}
df = pd.DataFrame(data)

# 执行转换流程
df['Funding'] = df['Funding'].replace('Unknown', np.nan)
df[['amount', 'unit']] = df['Funding'].str.extract(r'\$(\d+)([MB])', expand=True)
df['amount'] = df['amount'].astype(int)
df['Funding_numeric'] = np.where(df['unit'] == 'M', df['amount'] * 1_000_000, df['amount'] * 1_000_000_000)
df['Funding_numeric'] = df['Funding_numeric'].astype('Int64')

# 查看转换结果
print(df[['ID', 'Funding', 'Funding_numeric']])

内容的提问来源于stack exchange，提问作者zacramer