pandas默认将含缺失值的整数列读为float64，因原生int不支持nan；需用dtype={'col': 'int64'}（可空整型）或str保留原始格式，避免类型误判与精度丢失。

因为CSV里没有类型信息，pandas只能靠推断，而只要有缺失值（NaN），整数列就必然变成float64。

pd.read_csv 为什么默认把整数当浮点读

CSV是纯文本格式，不存数据类型——123 和 123.0 在文件里都是字符串。pandas 读取时会逐列扫描样本值，尝试“猜”最安全的类型：

• 如果一列全是整数且无空值，可能推为 int64（但实际很少见）
• 只要出现一个 NaN（比如某行该字段为空），整数列就立刻 fallback 到 float64 —— 因为 pandas 的 int 类型不支持 NaN，只有 float64 能同时表示数字和缺失值
• 哪怕你肉眼看到全是 1、2、3，只要有一处空单元格，整列就是 float64

dtype 参数怎么用才不踩坑

显式指定类型最可靠，但要注意几个关键点：

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

• 用 dtype={'col': 'Int64'}（首字母大写）才能支持带 NaN 的整数 —— 这是 pandas 的可空整型，不是原生 int
• 用 dtype={'col': str} 可彻底避免数字解析，适合身份证、证券代码等“看起来像数字”的文本
• 如果同时设了 converters，它会覆盖 dtype，两者别混用
• 对含小数的列，dtype={'col': float} 没问题；但想保留原始小数位数（如 3.00），得用 decimal=',' 或后续用 round() / astype(str) 处理

从 Excel 转 CSV 时整数变浮点的根源

Excel 自身显示整数，但底层存储可能是浮点（尤其从公式或外部导入来的数）。导出为 CSV 时，Excel 通常按“实际存储值”输出，所以 5 可能变成 5.0。这不是 pandas 的错，是源头已失真：

• 用 openpyxl 或 xlsxwriter 读 Excel 时，可通过 data_only=True 获取计算结果，再人工判断是否转整
• 导出 CSV 前，在 Excel 中把列格式设为“文本”，再粘贴值，能强制输出不带 .0 的纯数字字符串
• 如果必须处理已有 CSV，正则替换 \.0+$ 是常见手段，但要小心 3.001 这类真小数被误删

真正麻烦的不是“怎么转回来”，而是“哪列该转、哪列不该转”——证券代码转成整数会丢前导零，IP 地址转 float 直接报废。类型必须按业务语义定，不能只看数字长得像不像整数。

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！