Pandas中使用df.fillna()填充DataFrame空值后数据类型全部变为object的高效解决方法咨询

嘿，这个问题我之前也碰到过！核心原因是你在填充数值型列的时候犯了一个小语法错误：你写的是df['umur'].fillna(df['umur'].mean, inplace=True)，这里的mean是方法对象本身，而不是调用方法计算出来的均值数值。当你用函数对象去填充原本是float64类型的列时，Pandas会把整个列的 dtype 强制转为object，因为列里同时存在数值和函数两种不同类型的数据了。

第一步：修正数值列的填充代码 #

只需要把mean改成mean()（调用方法获取实际的均值）就行：

# 数值型特征填充（修正后）
df['umur'].fillna(df['umur'].mean(), inplace=True)
df['gaji'].fillna(df['gaji'].mean(), inplace=True)
df['berat'].fillna(df['berat'].mean(), inplace=True)
df['tinggi'].fillna(df['tinggi'].mean(), inplace=True)
df['stress'].fillna(df['stress'].mean(), inplace=True)

这样改完后，数值型列会保持原来的float64类型，不会变成object。

更高效的批量处理方式 #

如果不想逐个列写填充代码，可以用select_dtypes批量筛选不同类型的列，统一处理，既简洁又不容易出错：

# 批量填充分类型特征：用众数填充
categorical_cols = df.select_dtypes(include=['object']).columns
df[categorical_cols] = df[categorical_cols].fillna(df[categorical_cols].mode().iloc[0])

# 批量填充数值型特征：用均值填充
numeric_cols = df.select_dtypes(include=['float64']).columns
df[numeric_cols] = df[numeric_cols].fillna(df[numeric_cols].mean())

这种方法会自动识别列的类型，用对应逻辑填充，同时严格保留原有列的数据类型，不用手动一个个指定列名。

验证结果 #

处理完后，你可以运行df.dtypes查看各列类型，应该会回到你初始的状态：数值列是float64，分类型列是object。

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