最简单可靠的方式是直接用 astype(int)，因布尔值底层即1和0；含nan时需先fillna(false)或改用'int64'，避免typeerror。
直接用 astype(int) 最简单可靠
布尔值 True 和 False 在 Pandas 中底层就是 1 和 0，所以直接调用 astype(int) 是最自然、性能最好、也最不容易出错的方式。它会原样映射：True → 1，False → 0。
常见错误是手动写 df['col'].map({True: 1, False: 0}) 或用 np.where，没必要——既慢又冗余，还可能因空值或类型不一致报错。
- 如果列含
NaN，astype(int)会失败（int 不支持 NaN），此时必须先处理缺失值，比如用fillna(False).astype(int) - 若列是 object 类型但内容是布尔字符串（如
"True"、"False"），得先转成布尔再转整数：df['col'].map({'True': True, 'False': False}).astype(int) - 对 Series 操作和对 DataFrame 单列操作效果一致，无需额外包装
遇到 TypeError: Cannot convert non-finite values (NA or inf) to integer 怎么办
这是最常卡住人的错误，本质是列里有 NaN（或 pd.NA），而目标 dtype 是纯 int64，不接受缺失值。
解决思路不是硬转，而是明确「缺失值想怎么表达」：
- 想把
NaN当作0：用df['col'].fillna(0).astype(int) - 想把
NaN当作False（更语义合理）：用df['col'].fillna(False).astype(int) - 想保留缺失语义，改用可空整型（Pandas 1.0+）：
df['col'].astype('Int64')（注意首字母大写，这是 nullable integer dtype）
'Int64' 能存 1、0、<font color="red">pd.NA</font>，且不会自动转成 float，适合后续参与数值计算又不想丢缺失信息的场景。
为什么不用 apply(int) 或 map(int)
这些写法看似直观，但实际会触发 Python 层循环，性能差一个数量级，尤其在百万行以上数据时明显拖慢；而且遇到 NaN 直接抛 TypeError: int() argument must be a string, a bytes-like object or a real number, not 'NoneType'。
对比：
df['flag'].astype(int) # ✅ 向量化，快，清晰
df['flag'].apply(int) # ❌ 慢，不处理 NaN，易崩
另外，map(int) 对 Series 也不安全——map 会把 NaN 当作 key 去查，结果变成 NaN，但类型仍是 float，不是你想要的整数列。
用 where 或 numpy.where 的适用场景
这类方式适合需要条件转换的复杂逻辑，比如「True → 1，False → -1，NaN → 0」，而不是单纯布尔转 0/1。
基础布尔转整数时，它们属于过度设计：
-
np.where(df['col'], 1, 0)可行，但返回的是 numpy array，要再包一层pd.Series才能回填；且对NaN默认当False处理，行为隐晦 -
df['col'].where(df['col'], 0)只能做单向替换（True 保留，其余变 0），无法表达双值映射 - 所有基于条件的写法都比
astype多一重判断开销，无必要
真正需要自定义映射时，优先考虑 map 配合字典（确保覆盖所有可能值），而不是硬编码逻辑。
Pandas 布尔转整数这件事本身很简单，但实际中绝大多数问题都出在没意识到 NaN 的存在，或者误用了低效/不健壮的写法。盯住 dtype 兼容性和缺失值策略，比纠结“哪种函数看起来更高级”重要得多。
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！
