Pandas数据插入SQL Server时CallLength字段类型转换报错排查

排查隐性异常数据 #

先确认数据中是否存在容易忽略的异常值，比如无穷大（inf）、超出decimal(18,2)存储范围的数值：

import numpy as np

# 查看CallLength的统计信息，确认数值范围
print(df_selected['CallLength'].describe())

# 检查是否存在inf、-inf或NaN值
invalid_rows = df_selected[df_selected['CallLength'].isin([np.inf, -np.inf, np.nan])]
print(invalid_rows)

如果发现异常值，先清理（替换为合理值或删除对应行）后再尝试插入。

转换为Decimal类型匹配SQL字段 #

SQL Server的decimal(18,2)与Python的float存在精度映射差异，直接传递float可能触发转换错误。建议将字段转为Python标准库的Decimal类型，完全匹配SQL的decimal类型：

from decimal import Decimal

# 保留两位小数后转为Decimal
df_selected['CallLength'] = df_selected['CallLength'].round(2).apply(lambda x: Decimal(str(x)))

此方式能确保数值类型与SQL字段完全兼容，避免类型转换冲突。

改用批量插入替代逐行插入 #

手动逐行绑定参数易出现类型或顺序问题，推荐使用Pandas的to_sql方法批量插入，它会自动处理类型映射：

# 确保conn是有效的SQL Server连接（如pyodbc创建的连接）
df_selected.to_sql(
    name='Test',
    con=conn,
    schema='marketing',
    if_exists='append',  # 表已存在时追加数据
    index=False,
    method='multi'  # 启用批量插入，提升效率
)

这种方式既避免手动参数绑定的错误，也能大幅提升插入速度。

核对参数绑定顺序（可选） #

再次确认INSERT语句的字段顺序与参数传递顺序完全一致：
你的INSERT字段顺序：FromName, FromNumber, ToName, ToNumber, Result, CallLength, CallStartTime, CallDirection
参数传递顺序：row['FromName'], row['FromNumber'], row['ToName'], row['ToNumber'], row['Result'], row['CallLength'], row['CallStartTime'], row['CallDirection']
若之前调整过df_selected的字段结构，需再次核对避免参数错位。

内容的提问来源于stack exchange，提问作者LunaLoveDove