float()遇非数字字符串直接抛ValueError；安全转换需用try/except捕获异常，或用pandas.to_numeric(errors='coerce')批量转NaN。
遇到非数字字符串时，float() 会直接抛出 ValueError
这是最常踩的坑：直接调用 float("abc") 或 float("") 会中断程序。生产环境里，用户输入、日志解析、CSV 字段都可能含空格、单位符号（如 "12.5kg"）、逗号分隔符（如 "1,234.56"）甚至 "NaN" 字面量——这些全都会让 float() 失败。
安全转换的核心不是“避免报错”，而是明确界定哪些输入算“可接受”、哪些该被拒绝或清洗。
- 空字符串、仅空白字符（
"\t\n "）应先用.strip()清理，否则float()仍报错 - 带逗号的数字（如财务数据）需先用
.replace(",", "")，但注意别误删小数点前的逗号（如某些 locale 的"1.234,56"） -
"inf"、"-inf"、"nan"是合法浮点字面量，float()能解析，但业务上可能需要拦截
用 try/except 包裹是最直接的安全转换方式
别试图用正则预判所有合法格式——浮点数语法比想象中复杂（科学计数法、进制前缀、Unicode 数字等）。Python 自身的 float() 解析器最权威，只需捕获异常即可。
示例：
def safe_float(s):
if not isinstance(s, str):
return None
s = s.strip()
if not s:
return None
try:
val = float(s)
# 可选：过滤掉无穷值或 NaN
if math.isinf(val) or math.isnan(val):
return None
return val
except ValueError:
return None
注意：math.isinf() 和 math.isnan() 需提前 import math；返回 None 是常见约定，但你的业务可能需要返回默认值（如 0.0）或抛出自定义异常。
批量转换时，pandas.to_numeric() 比手写循环更可靠
处理 DataFrame 列或大量字符串列表时，反复写 try/except 效率低且易错。pandas 的 to_numeric() 内置了容错逻辑，并支持统一错误处理策略。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
errors="coerce"：非法值转为NaN（推荐用于清洗） -
errors="ignore"：原样保留字符串（慎用，类型不一致易引发后续问题） -
errors="raise"：等同于裸调float()（调试阶段可用）
例如：pandas.to_numeric(df["price"], errors="coerce") 会把 ["12.5", "", "abc", "3.14e2"] 转成 [12.5, NaN, NaN, 314.0] —— NaN 后续可用 .fillna(0) 或 .dropna() 处理。
自定义解析逻辑时，警惕 locale.atof() 的隐式依赖
如果输入来自不同地区（如德语系统用逗号作小数点），有人会想到用 locale.atof()。但它的行为取决于当前进程的 locale 设置，极易导致不可复现的 bug —— 同一段代码在服务器和本地开发机上结果不同。
更稳妥的做法是：
- 明确知道输入 locale 时，用
.replace(",", ".").replace(".", "", 1)等手动归一化（注意只替换第一个小数点） - 完全不确定格式时，优先用正则提取数字部分（如
re.search(r"-?\d+\.?\d*(?:[eE][+-]?\d+)?", s)），再喂给float() - 避免依赖全局
locale.setlocale()，它会影响整个进程的其他模块
真正难的不是转换本身，而是事先搞清输入来源的格式契约——是用户自由输入？还是某 API 文档承诺的 JSON 字段？后者通常只需基础 try/except，前者才需要层层清洗。
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！
