有时候，你只需要使用一个for循环：

for col in ['parks', 'playgrounds', 'sports', 'roading']:
    public[col] = public[col].astype('category')

可以使用pandas.DataFrame.apply方法沿着lambda表达式来解决这个问题。

df[['parks', 'playgrounds', 'sports']].apply(lambda x: x.astype('category'))

我不知道有什么方法可以就地执行此操作，所以通常我会以如下方式结束：

df[df.select_dtypes(['object']).columns] = df.select_dtypes(['object']).apply(lambda x: x.astype('category'))

显然，如果您不想选择所有特定的数据类型，可以用显式列名替换.select_dtypes（尽管在您的示例中似乎您想要所有object类型）。

不需要循环，Pandas现在可以直接做，只要传递一个你想要转换的列的列表，Pandas就会转换它们。

cols = ['parks', 'playgrounds', 'sports', 'roading']
public[cols] = public[cols].astype('category')

df = pd.DataFrame({'a': ['a', 'b', 'c'], 'b': ['c', 'd', 'e']})

>>     a  b
>>  0  a  c
>>  1  b  d
>>  2  c  e

df.dtypes
>> a    object
>> b    object
>> dtype: object

df[df.columns] = df[df.columns].astype('category')
df.dtypes
>> a    category
>> b    category
>> dtype: object

从panda 0.19.0开始，新增功能说明read_csv支持直接解析Categorical列。这个答案仅适用于从read_csv开始的情况，否则，我认为unutbu的答案仍然是最好的。

import pandas as pd
import numpy as np

# Generate random data, four category-like columns, two int columns
N=10000
categories = pd.DataFrame({
            'parks' : np.random.choice(['strongly agree','agree', 'disagree'], size=N),
            'playgrounds' : np.random.choice(['strongly agree','agree', 'disagree'], size=N),
            'sports' : np.random.choice(['important', 'very important', 'not important'], size=N),
            'roading' : np.random.choice(['important', 'very important', 'not important'], size=N),
            'resident' : np.random.choice([1, 2, 3], size=N),
            'children' : np.random.choice([0, 1, 2, 3], size=N)
                       })
categories.to_csv('categories_large.csv', index=False)

〈0.19.0（或〉=19.0，不指定数据类型）

pd.read_csv('categories_large.csv').dtypes # inspect default dtypes

children        int64
parks          object
playgrounds    object
resident        int64
roading        object
sports         object
dtype: object

〉=0.19.0

对于混合dtypes解析，如Categorical可以通过在read_csv中传递字典dtype={'colname' : 'category', ...}来实现。

pd.read_csv('categories_large.csv', dtype={'parks': 'category',
                                           'playgrounds': 'category',
                                           'sports': 'category',
                                           'roading': 'category'}).dtypes
children          int64
parks          category
playgrounds    category
resident          int64
roading        category
sports         category
dtype: object

性能

一个轻微的加速（本地jupyter笔记本），正如发行说明中提到的。

# unutbu's answer
%%timeit
public = pd.read_csv('categories_large.csv')
for col in ['parks', 'playgrounds', 'sports', 'roading']:
    public[col] = public[col].astype('category')
10 loops, best of 3: 20.1 ms per loop

# parsed during read_csv
%%timeit
category_cols = {item: 'category' for item in ['parks', 'playgrounds', 'sports', 'roading']}
public = pd.read_csv('categories_large.csv', dtype=category_cols)
100 loops, best of 3: 14.3 ms per loop

为了让事情更简单。没有应用。没有Map。没有循环。

cols=data.select_dtypes(exclude='int').columns.to_list()
data[cols]=data[cols].astype('category')

使用列表解析（避免循环），这将把所有dtypes=object的列转换为dtypes=category。我用'df'作为 Dataframe ，这样更通用。

df[[col for col in df.columns if df[col].dtypes == object]].astype('category', copy=False)

如果你出于某种原因想避免“copy=False”参数（正如python文档告诉我们在使用它时要小心），你可以使用下面这行。

df[[col for col in df.columns if df[col].dtypes == object]] = df[[col for col in df.columns if df[col].dtypes == object]].astype('category')

这是我的第一个答案，所以请友好。

我发现使用for循环效果很好。

for col in ['col_variable_name_1', 'col_variable_name_2', ect..]:
    dataframe_name[col] = dataframe_name[col].astype(float)

Jupyter笔记本

在我的情况下，我有许多对象，我想把它转换为类别大Dataframe。
因此，我所做的是选择对象列并填充NA到missing的任何内容，然后将其保存在原始Dataframe中，如下所示

# Convert Object Columns to Categories
obj_df =df.select_dtypes(include=['object']).copy()
obj_df=obj_df.fillna('Missing')
for col in obj_df:
    obj_df[col] = obj_df[col].astype('category')
df[obj_df.columns]=obj_df[obj_df.columns]
df.head()

我希望这可能是一个有用的资源，供以后参考