Pandas通用数据结构转换：混合类型价格列格式转换异常问题排查与解决

我懂你遇到的麻烦了——你的原代码里调用str.replace时，因为列里混着字符串、整数和浮点数，非字符串类型的元素会被直接转成NaN，紧接着fillna(0)就把这些原本有效的数值全覆盖成0了，这就是数据被零覆盖的根源。

下面给你两个实用的解决方案，帮你正确处理这个混合类型的价格列：

方法一：用apply逐个处理元素 #

这种方式最直观，对每个元素单独处理，不管它原本是什么类型：

import pandas as pd

df = pd.DataFrame({'price': ['21', 22.0, '23', 24.0, 25, '26,0', 27, '28', 29, 30, 31, 32, 33, 34, 35.0, 36.0, 37],})

def convert_price(value):
    # 先把所有值统一转成字符串
    str_val = str(value)
    # 将逗号替换为小数点
    str_val = str_val.replace(',', '.')
    # 尝试转成float，转换失败则返回0
    try:
        return float(str_val)
    except ValueError:
        return 0.0

def data_structure_change(df):
    df['price'] = df['price'].apply(convert_price)
    # 按需转成整数类型
    df['price'] = df['price'].astype(int)
    return df

# 测试效果
print(data_structure_change(df))

方法二：用pd.to_numeric批量处理（更简洁） #

先把整列转成字符串替换逗号，再用pd.to_numeric批量转换，无效值自动设为0：

import pandas as pd

df = pd.DataFrame({'price': ['21', 22.0, '23', 24.0, 25, '26,0', 27, '28', 29, 30, 31, 32, 33, 34, 35.0, 36.0, 37],})

def data_structure_change(df):
    # 统一转字符串并替换逗号
    df['price'] = df['price'].astype(str).str.replace(',', '.')
    # 批量转数值，转换失败的设为NaN后填充0
    df['price'] = pd.to_numeric(df['price'], errors='coerce').fillna(0)
    # 转成整数类型
    df['price'] = df['price'].astype(int)
    return df

# 测试效果
print(data_structure_change(df))

原代码问题解析 #

你原代码里的try-except其实没起到预期作用：当对混合类型的Series调用str.replace时，pandas不会抛出AttributeError，而是会给非字符串元素返回NaN。之后finally里的fillna(0)就把这些NaN（原本是有效int/float值）全部换成0了，这就是你看到的数据被零覆盖的原因。

上面两种方法都能避开这个坑，确保所有类型的元素都被正确转换，同时把带逗号的字符串转成合法的浮点数。

内容的提问来源于stack exchange，提问作者h1gfun4