检查DataFrame各列元素类型是否一致时触发KeyError问题求助

嘿，我来帮你拆解下这个问题~

你碰到的KeyError: 155，核心原因是混淆了pandas的标签索引和位置索引：

你用range(0, len(df))生成的是「位置序号」，但df[column][i]是在按标签索引取值——也就是说pandas会去查找该列索引中等于i的标签，而不是直接取第i个位置的元素。如果你的DataFrame索引不是连续的整数（比如之前删过行、或者索引是字符串/非连续整数类型），当循环到i=155时，你的索引里没有这个标签，自然就抛出KeyError了。

至于你单独测试时没问题，大概率是因为你选的i刚好是索引中存在的标签，没碰到缺失的情况而已。

解决方法 #

方法1：改用位置索引取值

把df[column][i]改成df[column].iloc[i]，iloc是专门按位置索引的方法，不管你的DataFrame索引是什么类型，都能准确取到第i个位置的元素：

a = 0
first_object = df.iloc[0]  # 这里也建议改成iloc[0]，确保取第一行的位置，而非标签为0的行
for column in df:
    for i in range(len(df)):
        if type(df[column].iloc[i]) != type(first_object[column]):
            a += 1
print(a)

方法2：用pandas原生方法简化代码（更高效）

其实完全不用写嵌套循环，pandas的apply方法可以帮你更简洁、高效地完成检查：

# 检查每列所有元素类型是否和第一行元素类型一致
type_consistent = df.apply(lambda col: all(type(x) == type(col.iloc[0]) for x in col))
# 输出类型不一致的列
print("类型不一致的列：", type_consistent[type_consistent == False].index.tolist())
# 统计类型不一致的元素总数
total_inconsistent = sum(df.apply(lambda col: sum(type(x) != type(col.iloc[0]) for x in col)))
print("类型不一致的元素总数：", total_inconsistent)

这种方式不仅避免了索引问题，还利用了pandas的向量化操作，比嵌套循环快得多，尤其是当DataFrame规模较大时。

备注：内容来源于stack exchange，提问作者data_student