【Pandas】pandas DataFrame round
Pandas2.2 DataFrame
Computations descriptive stats
| 方法 | 描述 |
|---|---|
| DataFrame.abs() | 用于返回 DataFrame 中每个元素的绝对值 |
| DataFrame.all([axis, bool_only, skipna]) | 用于判断 DataFrame 中是否所有元素在指定轴上都为 True |
| DataFrame.any(*[, axis, bool_only, skipna]) | 用于判断 DataFrame 中是否至少有一个元素在指定轴上为 True |
| DataFrame.clip([lower, upper, axis, inplace]) | 用于截断（限制）DataFrame 中的数值 |
| DataFrame.corr([method, min_periods, …]) | 用于计算 DataFrame 中各列之间的相关系数矩阵（Correlation Matrix） |
| DataFrame.corrwith(other[, axis, drop, …]) | 用于计算当前 DataFrame 的每一列（或行）与另一个 Series 或 DataFrame 中对应列的相关系数 |
| DataFrame.count([axis, numeric_only]) | 用于统计 DataFrame 中每列或每行的非空（非 NaN）元素数量 |
| DataFrame.cov([min_periods, ddof, numeric_only]) | 用于计算 DataFrame 中每对列之间的协方差 |
| DataFrame.cummax([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计最大值（cumulative maximum） |
| DataFrame.cummin([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计最小值（cumulative minimum） |
| DataFrame.cumprod([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计乘积（cumulative product） |
| DataFrame.cumsum([axis, skipna]) | 用于计算 DataFrame 中每列或每行的累计和（cumulative sum） |
| DataFrame.describe([percentiles, include, …]) | 用于快速生成数据集的统计摘要（summary statistics） |
| DataFrame.diff([periods, axis]) | 用于计算 DataFrame 中相邻行或列之间的差值（差分） |
| DataFrame.eval(expr, *[, inplace]) | 用于在 DataFrame 上下文中高效地执行字符串形式的表达式运算 |
| DataFrame.kurt([axis, skipna, numeric_only]) | 用于计算 DataFrame 中每列或每行的峰度（Kurtosis） |
| DataFrame.kurtosis([axis, skipna, numeric_only]) | 用于计算 DataFrame 中每列或每行的峰度（Kurtosis） |
| DataFrame.max([axis, skipna, numeric_only]) | 用于计算 DataFrame 中每列或每行的最大值（maximum） |
| DataFrame.mean([axis, skipna, numeric_only]) | 用于计算 DataFrame 中每列或每行的平均值（mean） |
| DataFrame.median([axis, skipna, numeric_only]) | 用于计算 DataFrame 中每列或每行的中位数（median） |
| DataFrame.min([axis, skipna, numeric_only]) | 用于计算 DataFrame 中每列或每行的最小值（minimum） |
| DataFrame.mode([axis, numeric_only, dropna]) | 用于查找 众数（出现频率最高的值） 的方法 |
| DataFrame.pct_change([periods, fill_method, …]) | 用于计算 百分比变化 的方法 |
| DataFrame.prod([axis, skipna, numeric_only, …]) | 用于计算 每列或每行元素的乘积 的方法 |
| DataFrame.product([axis, skipna, …]) | 用于计算 DataFrame 中每列或每行所有元素的乘积 |
| DataFrame.quantile([q, axis, numeric_only, …]) | 用于计算 分位数（Quantiles） 的方法 |
| DataFrame.rank([axis, method, numeric_only, …]) | 用于计算 DataFrame 中每列或每行元素的排名（rank） |
| DataFrame.round([decimals]) | 用于对 DataFrame 中的数值进行四舍五入 |
pandas.DataFrame.round()
pandas.DataFrame.round() 方法用于对 DataFrame 中的数值进行四舍五入，可以指定小数位数或对特定列进行不同的精度设置。该方法常用于数据展示、结果格式化等场景。
📌 方法签名：
DataFrame.round(decimals=0)
🧾 参数说明：
| 参数 | 类型 | 默认值 | 描述 |
|---|---|---|---|
decimals | int 或 dict-like（如 Series、dict） | 0 | 指定要保留的小数位数： - 如果是整数，则所有列都使用相同的精度 - 如果是字典或 Series，可以为每列指定不同的小数位数 |
📊 返回值
- 返回一个新的 DataFrame，其中每个元素被四舍五入到指定的小数位数。
- 非数值列会被自动忽略。
- NaN 值保持不变。
✅ 示例及结果
示例数据：
import pandas as pddf = pd.DataFrame({'A': [1.234, 2.567, 3.789],'B': [10.111, 20.222, 30.333],'C': [100.444, 200.555, 300.666],'D': ['text', 4.567, 5.678] # 包含非数值类型
})
输出原始数据：
A B C D
0 1.234 10.111 100.444 text
1 2.567 20.222 200.555 4.567
2 3.789 30.333 300.666 5.678
示例 1：默认参数（保留 0 位小数）
df.round()
结果：
A B C D
0 1.0 10.0 100.0 text
1 3.0 20.0 201.0 5.0
2 4.0 30.0 301.0 6.0
解释：
- 所有数值列都被四舍五入到整数（0 位小数）
- 字符串列
D被保留原样（未参与运算）
示例 2：指定保留 1 位小数
df.round(1)
结果：
A B C D
0 1.2 10.1 100.4 text
1 2.6 20.2 200.6 4.6
2 3.8 30.3 300.7 5.7
解释：
- 所有数值列保留一位小数
- 字符串列
D不受影响
示例 3：按列指定不同精度（使用字典）
df.round({'A': 1, 'B': 2, 'C': 0})
结果：
A B C D
0 1.2 10.11 100.0 text
1 2.6 20.22 201.0 5.0
2 3.8 30.33 301.0 6.0
解释：
- 列 A 保留 1 位小数
- 列 B 保留 2 位小数
- 列 C 保留 0 位小数（整数）
示例 4：使用 Series 指定各列精度
import pandas as pddecimals = pd.Series({'A': 2, 'B': 1, 'C': 0})
df.round(decimals)
结果：
A B C D
0 1.23 10.1 100.0 text
1 2.57 20.2 201.0 5.0
2 3.79 30.3 301.0 6.0
解释：
- 使用
Series指定每列的精度，效果与字典方式一致
示例 5：处理包含 NaN 的数据
import numpy as npdf_with_nan = pd.DataFrame({'X': [1.234, np.nan, 3.789],'Y': [np.nan, 2.345, 3.456]
})df_with_nan.round(1)
结果：
X Y
0 1.2 NaN
1 NaN 2.3
2 3.8 3.5
解释：
- NaN 值保持不变
- 其他数值正常四舍五入
示例 6：对整个 DataFrame 设置统一精度
df.round(2)
结果：
A B C D
0 1.23 10.11 100.44 text
1 2.57 20.22 200.56 4.57
2 3.79 30.33 300.67 5.68
解释：
- 所有数值列保留两位小数
- 字符串列
D不受影响
⚠️ 注意事项
- 只作用于数值型列（int、float），字符串列不会报错而是保持原样
- 支持通过字典或 Series 对不同列设置不同精度
- NaN 值不会被修改
- 不会改变原始 DataFrame，返回新对象
🎯 适用场景
| 场景 | 描述 |
|---|---|
| 数据展示 | 格式化输出，避免显示过多小数位 |
| 模型评估 | 控制预测值的精度以方便比较 |
| 特征工程 | 构造离散化的浮点特征 |
| 可视化准备 | 减少图表中不必要的精度细节 |
📋 总结
| 特性 | 描述 |
|---|---|
| 功能 | 对 DataFrame 中的数值进行四舍五入 |
| 默认行为 | 所有列保留 0 位小数（整数） |
| 是否修改原数据 | 否，返回新 DataFrame |
| 适用类型 | 数值型列（int、float） |
| NaN 处理 | 保留原值，不参与四舍五入 |
round() 是一个非常实用的方法，适合用于数据格式化、展示优化、特征处理等任务。