处理Pandas DataFrame字符串转浮点数时遇TypeError：float对象不可下标

我尝试将DataFrame某列格式为$200、$6,000的字符串值转换为浮点数，存入新列以计算.mean()等聚合统计量。使用代码：

my_df["Float Values"] = my_df["Value"].apply(lambda x: float(x[1:].replace(',','')) if x != "None" else 0)

但出现错误：

TypeError: 'float' object is not subscriptable

请问我哪里操作有误？

这个报错的核心是：你的Value列不全是字符串类型，里面混了浮点数（比如NaN或者其他数值）。当代码执行到浮点数时，x[1:]试图对浮点数做下标切片操作——但浮点数根本没有下标，自然就报错了。

另外你写的x != "None"判断也大概率没用：如果你的空值是pandas标准的NaN（不是字符串"None"），这个判断完全不会触发，反而会把NaN当成浮点数处理，同样触发报错。

别用apply+lambda了，用pandas内置的字符串处理和数值转换工具更靠谱，效率也更高：

# 第一步：把所有值转成字符串，去掉开头的$和中间的逗号
my_df["Cleaned Value"] = my_df["Value"].astype(str).str.replace(r'^\$', '', regex=True).str.replace(',', '')
# 第二步：转成数值，无法转换的（比如空值、无效字符）设为NaN
my_df["Float Values"] = pd.to_numeric(my_df["Cleaned Value"], errors='coerce')
# 要是需要把NaN换成0，加这一行
my_df["Float Values"] = my_df["Float Values"].fillna(0)

为啥这个方法更好？ #

• astype(str)先统一转成字符串，彻底避免浮点数触发下标错误
• 正则r'^\$'精准匹配开头的$，比x[1:]安全多了——要是碰到非$开头的内容，不会直接切错字符
• pd.to_numeric自带错误处理，能自动把乱七八糟的无效值转成NaN，后续统一处理就行
• 比apply循环快太多，大数据集里差距尤其明显

如果不需要保留中间的Cleaned Value列，直接合并成一行：

my_df["Float Values"] = pd.to_numeric(
    my_df["Value"].astype(str).str.replace(r'^\$|,', '', regex=True),
    errors='coerce'
).fillna(0)

内容的提问来源于stack exchange，提问作者bigrelly