如何使用Python Pandas在处理空值时保持整数类型？-Python教程-PHP中文网

fillna()后整数列变float是因为np.nan是浮点型，触发pandas类型升格；改用可空int64类型或convert_dtypes()可保持整数语义。

如何使用python pandas在处理空值时保持整数类型？

为什么 `fillna()` 后整数列变成了 float？

因为 Pandas 默认用 np.nan 填充缺失值，而 np.nan 是浮点类型，整数列一旦遇到 np.nan 就会自动升格为 float64。这不是 bug，是 Pandas 的类型安全机制——它不支持原生整数型的空值。

用 `Int64`（首字母大写）替代 `int64`

Pandas 自 0.24 起提供可空整数类型 Int64（注意是大写 I），底层用 pd.NA 表示缺失，而非 np.nan，因此能保持整数语义。

实操建议：

读取数据时就指定类型：df = pd.read_csv("data.csv", dtype={"age": "Int64"})
已有列转类型：df["age"] = df["age"].astype("Int64")（会把原 np.nan 自动转为 pd.NA）
填充空值用 fillna() 时，填整数（如 0 或 -1）仍保持 Int64；但填 pd.NA 或不填，也维持类型不变

`fillna()` + `convert_dtypes()` 组合更省心

如果你不确定原始类型、也不愿逐列声明，可以用 convert_dtypes() 让 Pandas 自动推断最优可空类型（包括 Int64, string, boolean 等）。

python全能编程助手

SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的双功能合体技能，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途：；核心要点📝 题解模式：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式：输入 Python 代码，自动添加详细中。它将相关步骤、

下载

常见用法：

全表统一转换：df = df.convert_dtypes(dtype_backend="numpy_nullable")（推荐，明确启用可空类型后端）
再做填充：df["age"] = df["age"].fillna(0) → 结果仍是 Int64
注意：旧版本（"numpy"，convert_dtypes() 可能仍返回 object 类型，务必加 dtype_backend="numpy_nullable"

别在 `dropna()` 后硬转 `int64`

有人习惯先删空行再强转：df["age"].dropna().astype("int64")，这看似恢复了整数类型，但实际丢失了原始索引对齐关系——返回的是新 Series，长度变短，无法直接赋回原 DataFrame。

正确做法：

用布尔索引原地修改：mask = df["age"].isna(); df.loc[~mask, "age"] = df.loc[~mask, "age"].astype("int64")，但这样只处理非空部分，空位仍是 NaN，类型仍会退化
不如一步到位用 Int64 —— 它天然兼容空值，无需回避

最易被忽略的一点：Pandas 的 Int64 是 nullable 类型，和 Python 原生 int 不同，参与算术运算时遇到 pd.NA 会传播为 pd.NA，不是报错。这点必须提前意识到，否则调试时会困惑“为什么结果突然全是 <na></na>”。