你遇到的问题核心在于数据格式的不一致：第一个数据集里的百分数字符串都是整数形式（比如 "5%"），所以用 str[:-1] 去掉百分号后得到的是可以直接转成 int 的整数字符串；但第二个数据集中出现了带小数的百分数字符串（比如 "0.30%"），去掉百分号后得到的是 "0.30"——这是一个浮点数字符串，直接用 astype(int) 转换就会抛出 ValueError，因为Python的 int() 无法解析带小数点的字符串。

另外，str[:-1] 这种写法本身不够鲁棒：如果某些字符串末尾不是百分号（比如存在空格或特殊字符），也会导致转换失败，不过你前面的转换都成功，说明主要问题还是带小数的数值。

这里提供几种更可靠的处理方式，覆盖整数和小数形式的百分数字符串：

1. 先转浮点再转整数（如果需要整数结果） #

如果你的可视化必须用整数，可以先把字符串转成浮点数，再转整数（会自动截断小数部分，或者用round()四舍五入）：

# 先去掉百分号，转成float后再转int
masked['Prime'] = masked['Prime'].str.replace('%', '').astype(float).astype(int)
masked['Subprime'] = masked['Subprime'].str.replace('%', '').astype(float).astype(int)

# 如果需要四舍五入而不是截断：
# masked['Prime'] = masked['Prime'].str.replace('%', '').astype(float).round().astype(int)

2. 保留浮点数（更推荐，因为存在小数数值） #

既然数据里有小数形式的百分比，保留浮点数更能体现数据的准确性，适合后续可视化：

masked['Prime'] = masked['Prime'].str.replace('%', '').astype(float)
masked['Subprime'] = masked['Subprime'].str.replace('%', '').astype(float)

3. 鲁棒处理异常值 #

如果数据中可能存在其他格式问题（比如空格、无效字符），可以用 pd.to_numeric 配合 errors 参数处理，避免程序崩溃：

# 先去掉百分号和前后空格，再转成数值，无效值会被设为NaN
masked['Prime'] = pd.to_numeric(masked['Prime'].str.strip().str.replace('%', ''), errors='coerce')
masked['Subprime'] = pd.to_numeric(masked['Subprime'].str.strip().str.replace('%', ''), errors='coerce')

处理这类格式化字符串时，尽量避免用固定位置截取（比如str[:-1]），因为一旦字符串格式发生变化（比如百分号前面有空格、或者数值是负数如"-2.5%"），这种写法就会失效。用str.replace('%', '')或者正则表达式（比如str.extract(r'([-+]?\d+\.?\d*)')）提取数值部分会更可靠。

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