为何rpy2转换后data.matrix会修改DataFrame数值？

你遇到的数值异常问题，核心原因是把Pandas中的NaN替换成了字符串"NA"，导致列类型从数值型变成了字符串型，进而触发了R的data.matrix()函数的特殊处理逻辑：

• 执行df = df.replace(np.nan, "NA")后，原本的浮点数列被转换成字符串类型（Pandas的object dtype）。
• rpy2将这个DataFrame转成R的DataFrame时，字符串列会被识别为R的character向量。
• R的data.matrix()处理字符型列时，会自动将其转为因子（factor），然后用因子的水平索引值（比如第一个唯一字符串对应1，第二个对应2，以此类推）填充矩阵——这就是你看到数值被“大幅修改”的本质，这些不是原始数值，是因子的编码值。
• 而你在R原生环境测试时，应该是直接导入了保留原生NaN的数值型DataFrame，data.matrix()能正确识别数值列，将NaN转为R的NA，所以数值不会乱。

去掉把NaN替换成字符串"NA"的步骤，保留Pandas原生的NaN，rpy2会自动将其映射为R的NA类型，data.matrix()就能正常处理数值列：

import pandas as pd
import numpy as np
import random
import string
import rpy2.robjects as ro
from rpy2.robjects.packages import importr
from rpy2.robjects import pandas2ri
from rpy2.robjects.conversion import localconverter

pandas2ri.activate()

utils = importr('utils')

# 生成随机列名的函数
def generate_column_names(n, suffixes):
    columns = []
    for _ in range(n):
        name = ''.join(random.choices(string.ascii_uppercase, k=3))
        suffix = random.choice(suffixes)
        columns.append(name + suffix)
    return columns
    
n_rows = 1000
n_cols = 15

# 生成0-10的随机浮点数
data = np.random.uniform(0, 10, size=(n_rows, n_cols))

# 随机插入NaN
nan_indices = np.random.choice([True, False], size=data.shape, p=[0.1, 0.9])
data[nan_indices] = np.nan

column_names = generate_column_names(n_cols, ["_Healthy", "_Sick"])

# 创建DataFrame，保留原生NaN
df = pd.DataFrame(data, columns=column_names)

# 移除错误的字符串替换步骤
# df = df.replace(np.nan, "NA")

with localconverter(ro.default_converter + pandas2ri.converter):
     R_df = ro.conversion.py2rpy(df)

r_matrix = ro.r('data.matrix')(R_df)

如果确实需要处理缺失值，一定要保持列的数值类型：

• 可以用数值填充，比如df.fillna(0)或df.fillna(df.mean())
• 绝对不要将NaN替换成字符串，这会彻底改变列的数据类型，引发后续R处理的异常

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