本文讲解如何在 Pandas DataFrame 中对温度等数值列进行单位换算（如 ℉→℃）时，自动跳过非数值内容（如列名、字符串、NaN），避免 TypeError: unsupported operand type(s) for -: 'str' and 'int' 错误。
本文讲解如何在 pandas dataframe 中对温度等数值列进行单位换算（如 ℉→℃）时，自动跳过非数值内容（如列名、字符串、nan），避免 `typeerror: unsupported operand type(s) for -: 'str' and 'int'` 错误。
在使用 Pandas 处理气象、实验或传感器数据时，常需对数值列（如 TEMP、MAX、MIN）执行数学运算（例如华氏转摄氏：C = (F − 32) / 1.8）。但若直接对整个 DataFrame 或未清洗的列循环计算（如 for f in data: c = (f - 32) / 1.8），极易因以下原因报错：
- DataFrame 的首行默认为列名（字符串），参与运算会触发 str - int 类型错误；
- 数据中存在 NaN（Pandas 中的浮点型缺失值）本可安全计算，但手动循环若未类型校验，可能引发意外异常；
- 某些列可能混入非数字字符串（如 "N/A"、"—", "MISSING"），需主动过滤或转换。
✅ 正确做法是利用 Pandas 的向量化运算能力——它天然支持对 Series 或 DataFrame 子集进行元素级计算，并自动处理 NaN（结果仍为 NaN），同时完全跳过索引、列名等元数据，无需手动遍历或类型判断。
✅ 推荐方案：直接对目标列执行向量化计算
假设你的数据已加载为 Pandas DataFrame（如 data = pd.read_csv("weather.csv")），且 TEMP、MAX、MIN 列为数值型（含 NaN）：
# 华氏 → 摄氏：向量化计算，自动忽略列名、处理 NaN data['TEMP_C'] = ((data['TEMP'] - 32) / 1.8).round(1) data['MAX_C'] = ((data['MAX'] - 32) / 1.8).round(1) data['MIN_C'] = ((data['MIN'] - 32) / 1.8).round(1) # 查看前5行结果（原 TEMP 和新 TEMP_C 并列） print(data[['TEMP', 'TEMP_C', 'MAX', 'MAX_C']].head())
输出示例：
TEMP TEMP_C MAX MAX_C 0 65.5 18.6 73.6 23.1 1 65.8 18.8 80.8 27.1 2 68.4 20.2 NaN NaN 3 57.5 14.2 70.9 21.6 4 51.4 10.8 58.3 14.6
? 关键机制说明：
- data['TEMP'] 返回一个 pd.Series，其底层 dtype 若为 float64（含 NaN），所有算术操作均按 NumPy 规则广播执行；
- NaN 参与任何算术运算结果恒为 NaN，无需额外 fillna() 或 dropna()；
- 列名（'TEMP' 字符串）不参与计算——你操作的是数据值，而非 DataFrame 的结构对象。
⚠️ 注意事项与进阶建议
-
确认数据类型：运行 data['TEMP'].dtype，确保为 float64 或 int64。若显示 object，说明该列混入了字符串（如 "65.5" 或 "---"），需先清洗：
data['TEMP'] = pd.to_numeric(data['TEMP'], errors='coerce') # 错误值转 NaN
-
批量处理多列（提升可维护性）：
temp_cols = ['TEMP', 'MAX', 'MIN'] for col in temp_cols: data[f'{col}_C'] = ((data[col] - 32) / 1.8).round(1) 保留原始列，避免覆盖：如上例使用 TEMP_C 新列名，而非直接赋值给 data['TEMP']，便于验证与回溯。
警惕隐式类型转换：若原始 CSV 中温度列为整数但含空值，Pandas 可能推断为 object 类型。务必用 pd.read_csv(..., dtype={'TEMP': 'float'}) 显式指定，或使用 convert_dtypes() 统一优化。
✅ 总结
Pandas 的核心优势在于向量化、声明式计算——你只需告诉它“对 TEMP 列做这个公式”，它会自动处理全部有效数值、静默跳过元数据、并正确传播 NaN。放弃 for 循环遍历 DataFrame 行（不仅慢，且易出错），转而信任 Pandas 的内置机制，是高效、健壮数据处理的关键一步。
