本文详解如何在 pandas dataframe 中对包含标题行、字符串列或 nan 值的混合数据中，精准提取并转换数值列（如温度），避免 typeerror: unsupported operand type(s) for -: 'str' and 'int' 错误。
本文详解如何在 pandas dataframe 中对包含标题行、字符串列或 nan 值的混合数据中，精准提取并转换数值列（如温度），避免 typeerror: unsupported operand type(s) for -: 'str' and 'int' 错误。
在使用 Pandas 处理实测气象数据（如华氏温度转摄氏）时，一个常见误区是直接对整个 DataFrame 或未筛选的列进行循环计算，例如：
for f in data:
c = round((f - 32) / 1.8, 1) # ❌ 报错：f 可能是字符串（如列名 'TEMP'）或 NaN
该写法失败的根本原因在于：data 是一个 DataFrame，for f in data 实际遍历的是列名（字符串），而非数据行；即使误用 data['TEMP'] 后未做类型校验，若列中混有非数值内容（如单位标记、注释文本）或存在 NaN，仍会触发类型错误。
✅ 正确做法是利用 Pandas 的向量化运算能力与自动类型兼容性，直接对目标数值列（如 'TEMP', 'MAX', 'MIN'）执行标量运算。Pandas 会自动跳过非数值项，并对 NaN 保持传播（即 NaN - 32 → NaN），无需手动过滤或异常捕获：
# ✅ 安全、高效、一行完成：自动忽略非数值，保留 NaN 语义 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)
? 验证数据类型：执行前建议确认目标列为数值型（float64 或 Int64），可使用 data['TEMP'].dtype 检查。若列被误读为 object（常因首行含文本或空格导致），需预处理：
data['TEMP'] = pd.to_numeric(data['TEMP'], errors='coerce') # 强制转数值，非法值→NaN
? 关键注意事项：
- 不推荐 try/except 循环逐行处理：性能差、破坏向量化优势，且难以优雅处理 NaN；
- 列名必须精确匹配：'TEMP' ≠ 'temp'，注意大小写与空格；
- NaN 是合法数值占位符：Pandas 所有算术运算天然支持 NaN，结果自动为 NaN，无需额外判断；
- 避免修改原始列名所在行：确保数据已正确加载（header=0），首行为列名，非数据行。
最终，你的 DataFrame 将新增摄氏温度列，原始结构与缺失值逻辑完全保留，可直接用于后续分析或可视化：
print(data[['YEARMODA', 'TEMP', 'TEMP_C', 'MAX', 'MAX_C']].head(3)) # 输出示例： # YEARMODA TEMP TEMP_C MAX MAX_C # 0 20160601 65.5 18.6 73.6 23.1 # 1 20160602 65.8 18.8 80.8 27.1 # 2 20160603 68.4 20.2 NaN NaN
掌握这一模式，即可安全、简洁、高性能地处理各类含噪声的工程与科学数据表。
