一、摘要

设置 DataFrame 中数据 有效位数的方法有很多，
可以用 pandas 中的 map, apply，applymap 方法，或者pandas style 中的 format方法，
也可以不使用DataFrame中的接口，而是用单独的 %.f 和 format格式化方法 或者 round 方法格式化数据。

本文主要对在做 display 自定义效数有效位数 等其他style 设置 实践中遇到的一些错误和学到的文章做一个总结。

二、 场景和需求：

  • 为 dataframe 中的数（数值）设置显示的小数位数。

  • 数据类型不固定（考虑有字符串，数值类型），数据不固定（有None, nan 和来自EXCEL 或者 formulas（可以解析excel公式的python第三方库）错误值 #VALUE! ）

  • 设置完小数位数以后，还有其他 style 的链式操作。

    三、思路：

    3.1 判断数据是否是数值

    （包括 字符串数字）

判断方法：

这里学习了菜鸟教程里面一篇文章 Python 判断字符串是否为数字 ，
里面不是单纯使用 isinstance(val, number.Number) 来判断是否是数值类型 （因为这里也需要字符串数字 比如’123’）。

具体方法如下：

  1. #对汉字表示的数字也可分辨
  2. def is_number(s):
  3.     try:  # 如果能运行float(s)语句，返回True（字符串s是浮点数）
  4.         float(s)
  5.         return True
  6.     except ValueError:  # ValueError为Python的一种标准异常，表示"传入无效的参数"
  7.         pass  # 如果引发了ValueError这种异常，不做任何事情（pass：不做任何事情，一般用做占位语句）
  8.     try:
  9.         import unicodedata  # 处理ASCii码的包
  10.         for i in s:
  11.             unicodedata.numeric(i)  # 把一个表示数字的字符串转换为浮点数返回的函数
  12.             #return True
  13.         return True
  14.     except (TypeError, ValueError):
  15.         pass
  16.     return False

我这里没有过多考虑汉字表示的数字等，所以只用到了：

  1. def is_number(s):
  2.     try:  # 如果能运行float(s)语句，返回True（字符串s是浮点数）
  3.         float(s)
  4.         return True
  5.     except ValueError:  # ValueError为Python的一种标准异常，表示"传入无效的参数"
  6.         pass  # 如果引发了ValueError这种异常，不做任何事情（pass：不做任何事情，一般用做占位语句）

3.2 即便是数值类型， 其中也有 nan 这种数据

最后又添加了 是否是 nan 的判断， 这里有一篇教程 python中nan的比较， 是使用 val != val 判断的。

所以最终的判断是否是数字的代码如下：

  1.     def is_valid_number(val):
  2.         if val is None:
  3.             return False
  4.         if isinstance(val, Number):
  5.             if val != val:
  6.                 return False
  7.             return True
  8.         try:
  9.             float(val)
  10.             return True
  11.         except ValueError:
  12.             return False

3.3 格式化数据设置有效位数

这里之前使用了很多办法，比如 :

3.3.1 在style 样式控制中进行格式化再链式调用其他样式控制。

pamdas.DataFrame.style.format （转自 Pandas Style 为数据表格美颜 ）

  • 类似字符串

e.g. .format('{:.4f}')
但是这种办法一旦遇到 字符串类型数据 就报错了，当前还没有想到解决办法。

  • 使用 字典 格式化 特定 的列

e.g. df.style.format({'B': "{:0<4.0f}", 'D': '{:+.2f}'})

  • 使用 lambda 函数

e.g. df.style.format({"B": lambda x: "±{:.2f}".format(abs(x))})
直接报错，连浮点数都不能处理，当前还不知道是不是 style 链式调用的问题，还是 format 方法 不能传入 func 函数作为参数。（需要做记录再找下原因）

3.3.2 DataFrame.applymap重新获取一个已经格式化有效数字的 DataFrame, 再使用 df.style.applymap() 做其他格式化操作

DataFrame.applymap

（当前采用的这种办法, ）
(
这里找了很多教程， 其中有用到的有 ：
（1）Python浮点数控制小数精度 ， 里面有个 round 函数。
但是这种办法，最后 display 显示的时候，会在 有效位 后 4 位后面，会多显示 2 个 0。
比如 2.123400

（2）python 浮点数指定位数
也是字符串格式方法，’%[width][.precision]f’ 这里要注意，格式化以后不再是 float, 而是 str 类型。

（3）python格式化中指定补零和整数浮点数的位数

  1. （4）[python输出指定位数小数](https://blog.csdn.net/u013925378/article/details/103383746)<br />**)**

我这里的办法是先获取一个新的 格式化好的DataFrame, 再做样式控制和 display。
代码里 先判断是否是数字， 然后先强转成 float （为了正常处理字符串类型的数字）。

  1.     def format_significant_digits(val):
  2.         if is_valid_number(val):
  3.             return "{:.4f}".format(float(val))
  4.         return val

最终使用 data_frame = data_frame.applymap(format_significant_digits) 获取格式化有效数字以后的新的 DataFrame, 注意，此时 DataFrame 中的数字 数据类型 已经是 字符串。

此后，再进行其他 sytle 的链式 样式控制 并 display 显示 不会再有上面提到的问题。

最后：

  1. 转载了很多原创作者的文章， 如果觉得有侵权 ， 还请联系本人， 2627724977@qq.com
  2. 本文只是个人实践学习总结笔记，文章可能有很多疏漏和错误，以及很多可以优化的解决办法，还请随意评论指正探讨。