用pandas.to_numeric()配errors="coerce"可安全转换混合列，将非法值转为nan；需预处理特殊字符、空格及不可见符，并建议双存原始与清洗后列。
用 pandas.to_numeric() 安全转换混合列
当 DataFrame 某列同时含数字字符串（如 "123"）、纯数字、空值甚至非法字符（如 "N/A"、"--"）时，直接调用 astype(float) 会报 ValueError: could not convert string to float。核心解法是用 pandas.to_numeric() 配合 errors="coerce" 参数，把无法解析的值统一转为 NaN：
-
df["col"] = pd.to_numeric(df["col"], errors="coerce")—— 最常用，出错即NaN -
errors="ignore"会保留原值（不推荐，类型未变） -
errors="raise"显式报错，适合调试阶段验证数据质量 - 注意：该函数默认不修改原列 dtype，转换后需手动赋值或用
inplace=True（但返回值是None，慎用）
批量处理多列时避免 applymap() 陷阱
applymap() 已在 pandas 2.1+ 中弃用，且对混合类型列效率极低；更稳妥的是用 select_dtypes() + apply() 精准定位字符串列：
- 先筛选出可能含混合内容的列：
str_cols = df.select_dtypes(include="object").columns - 再逐列转换：
df[str_cols] = df[str_cols].apply(pd.to_numeric, errors="coerce") - 若部分列本应是日期/分类，别误转——加白名单过滤：
numeric_cols = ["age", "score", "price"]，只处理这些 - 性能提示：对大表（>100万行），避免用
lambda x: pd.to_numeric(x)，直接传函数引用更快
识别并清理“伪数值”字符串（如带单位、逗号、货币符号）
像 ",234.56"、"50 kg" 这类字符串不能直接被 to_numeric() 解析，必须预处理：
- 移除非数字字符（保留小数点和负号）：
df["col"].str.replace(r"[^\d.-]", "", regex=True) - 注意正则边界：用
regex=True（pandas 2.0+ 默认启用），否则replace()不生效 - 逗号千分位要先删掉：
.str.replace(",", "")，否则"1,234"会被判为非法 - 空字符串或全空白需提前转为
NaN：.str.strip().replace("", np.nan)，否则to_numeric()可能转成0.0
保留原始字符串用于审计，同时生成数值列
生产环境常需“双存”：一列存清洗后数值（供计算），一列存原始字符串（供溯源或人工复核）。别覆盖原列：
- 新建列名明确区分：
df["price_clean"] = pd.to_numeric(df["price_raw"].str.replace(r"[^\d.-]", "", regex=True), errors="coerce") - 检查转换结果：
df[["price_raw", "price_clean"]].head(10)快速比对异常行 - 用
df["price_clean"].isna().sum()统计失败数量，若比例高，说明清洗规则需调整 - 注意：若原始列含
None或np.nan，str.replace()会报错，需先fillna("")或用astype(str)强转（但后者会把nan变成字符串"nan"）
混合类型处理最易被忽略的是「空格与不可见字符」——比如 Excel 导入时末尾多了零宽空格（\u200b），strip() 压根清不掉，得用 str.replace("\u200b", "") 单独处理。
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！
