正确做法是：想转字符串直接astype(str)；想转数值则用pd.to_numeric(..., errors='coerce')将非法值变nan；混合列需先明确用途再清洗，而非依赖infer_objects()。
列里既有数字又有字符串，astype(str) 会报 ValueError: Unable to parse string
这不是类型转换失败，而是 Pandas 在尝试自动推断类型时卡在了混合内容上。比如一列里有 123、"N/A"、None，Pandas 默认用 object dtype 存，但调用 astype(int) 或 astype(float) 就会炸——它不帮你跳过非数字项。
正确做法是先明确意图：
- 想统一转成字符串？直接
df["col"] = df["col"].astype(str)即可，None变成"None"，数字变字符串，安全无报错 - 想转数值并容忍脏数据？用
pd.to_numeric(df["col"], errors="coerce")，非法值（如"N/A"、""）自动变成NaN，不会中断 - 想保留原始结构但标记异常值？用
pd.to_numeric(..., errors="raise")配合try/except捕获具体哪行出问题
apply(type) 显示全是 <class></class>，但 sum() 还是报错
这说明表面看是字符串，但实际可能混着 None、np.nan 或空字符串，而 sum() 对 None 会返回 None，对 np.nan 返回 nan，都不是你想要的聚合结果。
检查真实构成用：df["col"].apply(lambda x: type(x).__name__ if pd.notna(x) else "NaN").value_counts()
清理建议：
- 把空值、占位符统一成
NaN：df["col"] = df["col"].replace(["", "N/A", "NULL", None], np.nan) - 再转数值：
df["col"] = pd.to_numeric(df["col"], errors="coerce") - 确认是否还有非标量值（比如嵌套 list）：
df["col"].apply(lambda x: isinstance(x, (list, dict)))，有就需先展开或丢弃
用 infer_objects() 后 dtype 没变，还是 object
infer_objects() 只对“看起来像数值但被存成 object”的列有效，比如全是 "1"、"2.5" 字符串；但它对真正混合的列（含 "N/A"、None）完全没用——Pandas 明确放弃推断，就让它保持 object。
别依赖这个函数做清洗。它适合的场景是：读 CSV 时因某几行脏数据导致整列被识别为 object，但你知道其实全是数字字符串，这时可先 dropna() 或 replace() 干净再 infer_objects()。
更稳妥的路径是：手动定义清洗逻辑，而不是等 Pandas 猜。
从 Excel 或 CSV 读入时就避免混合类型列
源头控制比事后清洗省力得多。用 pd.read_csv() 或 pd.read_excel() 时加参数：
-
dtype={"col_name": str}强制当字符串读，后续再按需转 -
na_values=["N/A", "", "NULL"]提前把常见缺失标识识别为NaN -
keep_default_na=False防止 Pandas 把空字符串也当NaN（有时你不想要） - Excel 中若某列前几行是数字、后面突然出现文本，openpyxl 引擎可能误判类型，换用
engine="calamine"（新版本 pandas 支持）更鲁棒
混合类型列本身不是 bug，是数据现实。关键不是“怎么让它变整齐”，而是“在哪个环节让它的行为符合你的预期”。多数翻车都发生在没想清楚：这一列最终要用来算数、分组，还是仅展示？目标定了，处理路径自然清晰。
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！
