本文详解为何直接在函数中多次调用astype()无法持久修改DataFrame，以及如何安全、高效地将所有float64列（如无小数部分）统一转为int64，并避免常见陷阱（如赋值失效、数据截断警告）。
本文详解为何直接在函数中多次调用`astype()`无法持久修改dataframe，以及如何安全、高效地将所有float64列（如无小数部分）统一转为int64，并避免常见陷阱（如赋值失效、数据截断警告）。
在Pandas中，将浮点型列（如float64）转换为整型（如int64）看似简单，但实践中常因链式赋值、不可变视图、原地修改缺失等问题导致“看似执行成功，实际未生效”。你提供的代码中，df.astype({col: 'int64'})每次都会返回一个新DataFrame副本，而原始df对象并未被更新——尤其当该操作在循环中反复发生且未重新赋值给df时，最终结果自然不会反映在外部作用域中。
更关键的是：astype()本身不会就地修改原DataFrame，必须显式赋值。例如：
# ❌ 错误：返回新DataFrame，但未赋值回df → 原df不变
df.astype({'TotalRevenue': 'int64'})
# ✅ 正确：将转换结果重新赋值给df（或df的子集）
df = df.astype({'TotalRevenue': 'int64'})
# 或更推荐（避免全量拷贝）：
df['TotalRevenue'] = df['TotalRevenue'].astype('int64')
因此，你函数中df = df.astype({...})虽在函数内部更新了局部变量df，但若未将返回值重新赋给外部df（即 df = myFunc(df)），外部引用仍指向原始对象——这正是df.dtypes未变化的根本原因。
✅ 推荐做法：使用列筛选 + 批量赋值（高效且语义清晰）
# 方法1：基于select_dtypes的向量化方式（推荐）
float_cols = df.select_dtypes(include='float64').columns
if not float_cols.empty:
df[float_cols] = df[float_cols].astype('int64')
# 方法2：显式循环（可读性强，便于添加条件校验）
for col in df.columns:
if df[col].dtype == 'float64':
# 可选：检查是否真能安全转int（无NaN、无小数）
if pd.api.types.is_numeric_dtype(df[col]) and df[col].dropna().apply(float.is_integer).all():
df[col] = df[col].astype('int64')
else:
print(f"Warning: Column '{col}' contains non-integer floats or NaN — skipped.")
⚠️ 重要注意事项：
-
NaN处理：int64不支持NaN。若列含缺失值，直接astype('int64')会报错。此时应先填充（如fillna(0)）或改用Int64（Pandas的可空整型）：
df[col] = df[col].astype('Int64')（注意首字母大写）。 - 数据精度：确保原始float值均为整数（如300.0），否则强制转int会静默截断（如300.7 → 300）。建议先验证：df[col].equals(df[col].round())。
- 性能考量：避免在循环中反复调用df.astype({col: dtype})，因其每次创建新DataFrame；优先使用列切片赋值（df[cols] = ...）。
执行上述任一正确方法后，再次检查df.dtypes，即可看到float64列已稳定变为int64，且原始DataFrame对象被真实更新。
