pd.to_numeric

将参数转换为数字类型。

默认返回dtype为float64或int64， 具体取决于提供的数据。使用downcast参数获取其他dtype。

参数	描述
args	接受scalar, list, tuple, 1-d array, or Series类型
errors	有3种类型{‘ignore’, ‘raise’, ‘coerce’}, 默认为‘raise’
downcast	{‘integer’, ‘signed’, ‘unsigned’, ‘float’} , default None,默认返回float64或int64

注意downcast的意思是向下转换

errors中参数的解释：

'raise'参数：无效的解析将引发异常

'corece'参数：将无效解析设置为NaN

'ignore'参数：无效的解析将返回输入

downcast中参数的意义：

默认的None就是不进行处理

'integer'和'signed'：最小的有符号整数dtype（最小值np.int8）

'unsigned'：最小的unsigned int dtype（np.uint8）

'float'：最小的float dtype（np.float32）

返回值：如果解析成功，则为数字。其中返回类型取决于输入。如果为Series，则为Series，否则为ndarray。

数据集构建代码如下：

import pandas as pd
import numpy as np
s = pd.Series(['apple', '1.0', '2','2019-01-02',1, False,None,pd.Timestamp('2018-01-05')])

比如对于如下的数据：

执行raise会报错，因为该数据里面有非数字，结果如下：

执行ignore结果如下：

执行coerce结果如下：

向下转换期间引发的任何错误都会浮出水面。此外，仅当结果数据的dtype的大小，严格大于要强制转换为dtype的dtype时，
才会发生向下转换，因此，如果检查的所有dtype都不满足该规范，则不会对该数据执行向下转换。

不理解可以试试就理解了，比如对该数据在'coerce'条件下执行integer会发现转换的是float。

数据转换还有astype的方法：

# astype中的error没有`coerce`选项,所以只适合`numeric`内部类型的转换,比如将int32转换为int64,int32转换为float32
# 而不适合在object,时间格式之间做转换,
s.astype('int32',errors='raise')
s.astype('int32',errors='ignore')  # 对object无效,astype只能对numeric类型生效