to_numeric不能直接降内存，但它是安全降dtype的前提；必须先用errors='coerce'清洗为纯数值，再转float32或整数downcast，否则易报错或内存不减。
to_numeric 能不能直接降内存？不能，但它是关键第一步
to_numeric 本身不压缩内存，它只做类型推断和转换。但它是后续降维（比如从 float64 → float32）的前提——因为只有先确保列是数值型，才能安全地改 dtype。如果列里混着字符串或空值，强行设 dtype='float32' 会报错或静默转成 object，反而更费内存。
常见错误现象：df['col'].astype('float32') 报 ValueError: could not convert string to float；或者没报错但内存没变，df['col'].dtype 居然是 object。
- 务必先用
pd.to_numeric(col, errors='coerce')清洗：把非法值转为NaN，保证结果是纯数值 -
errors='coerce'是底线选项；若业务允许，优先用errors='raise'暴露脏数据 - 对整数列，加
downcast='integer'可触发自动向下转型（如int64→int32或uint8），但仅对无缺失值有效
怎么选 float32 还是 float16？看精度容忍度和 NaN 支持
不是所有场景都适合 float32，更别提 float16——Pandas 原生不支持 float16 作为 Series dtype（NumPy 支持，但 Pandas 会回退为 object 或报错），强行用会导致索引、计算异常。
使用场景：金融价格、传感器读数等小数位数 ≤ 6 位的，float32 通常够用；图像像素值（0–255）、计数类指标，优先考虑整数 downcast。
-
float32内存减半（从 8 字节→4 字节），相对误差约 1e-6，多数业务可接受 -
float16在 Pandas 中基本不可用：设dtype='float16'后df.dtypes显示object，且df['col'].sum()等操作失败 - 含
NaN的浮点列只能用float32或float64；Int32（带 NAs 的 nullable int）可替代部分 float 列（如把 1.0 存成 1）
整数列 downcast 的实际效果和限制
pd.to_numeric(..., downcast='integer') 看似智能，但容易被忽略两点：它只检查当前数据范围，不预测未来值；且遇到 NaN 就直接放弃 downcast，返回 float64。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
例如一列最大值是 127，最小值是 0，看起来能用 uint8，但只要有一个 NaN，结果就是 float64，内存一点没省。
- 先用
dropna()测范围：ser.dropna().min(), ser.dropna().max()，再手动指定 dtype（如'uint8'） - 用
pd.Int8Dtype()或'Int8'（注意大写 I）可存NaN，但这是 nullable integer，内存比uint8大（约 12–16 字节/元素） -
downcast='signed'和'unsigned'不影响含 NaN 列，它们只对全整数生效
批量处理数值列时，别漏掉 category 和 bool
内存优化不只是数字的事。很多“数值列”其实是离散标签（如状态码 1/2/3/4），或二值字段（0/1），这类用 category 或 bool 能省下 90%+ 内存。
常见错误现象：把用户等级（'VIP', 'Gold', 'Silver'）读成 object，占 50+ 字节/元素；或把 flag 列保留为 int64，其实只需 1 字节。
- 对唯一值 df[col].astype('category')；内存下降取决于唯一值数量
- 布尔列必须用
bool或boolean（nullable），别留成int64；df[col].astype(bool)会把非零转True，需确认语义 - 用
df.memory_usage(deep=True).sum()对比前后，重点关注object列是否显著缩小
to_numeric 的 errors 和 downcast 组合必须手动控制，自动推断靠不住。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
