pandas 1.5+中使用.loc[:, 'col']设置整列无法修改数据类型的问题

结论：这是预期行为 #

这个差异是pandas 1.5.0对.loc/.iloc原地赋值逻辑调整后的预期结果，并非bug。

原因分析 #

在pandas 1.0-1.4版本中，.loc[:,'col'] = arr的整列赋值逻辑和df['col'] = arr基本一致：当右侧数据类型与原列不匹配时，会直接替换整个列对象，因此列的dtype会跟随右侧数据改变。

但从1.5.0开始，.loc的整列赋值逻辑被优化为优先原地修改现有数组：它会尝试将右侧数据转换为原列的现有dtype，而非替换列本身。这一调整是为了提升性能，同时让原地操作的行为更可预测。

在你的示例中，原列col2是float64类型，右侧的int32数据会被自动向上转换为float64（因为float类型可以容纳int值），因此列的dtype保持不变；而df['col2'] = ...的逻辑是直接替换列对象，所以会保留右侧数据的int32类型。

解决方案 #

1. 若要保留.loc写法并修改 dtype #

可以先显式转换原列的 dtype，再进行赋值：

# 先将列转换为目标类型
weather_df['year'] = weather_df['year'].astype('int32')
# 再用.loc赋值
weather_df.loc[:,'year'] = weather_df['year'].fillna(0)

或者在赋值后显式转换类型：

weather_df.loc[:,'year'] = weather_df['year'].fillna(0).astype('int32')
# 显式修改列类型
weather_df['year'] = weather_df['year'].astype('int32')

2. 是否需要放弃.loc的旧建议？ #

不需要完全放弃，但要明确两种写法的适用场景：

• 当需要原地修改列内容且保留原类型时，使用.loc[:,'col'] = ...更高效；
• 当需要替换列并改变类型时，直接使用df['col'] = ...更直接，也符合当前pandas的行为逻辑；
• 关于链式赋值的SettingWithCopyWarning，现在更推荐通过显式创建副本（如df = df_subset.copy()）或使用正确的索引方式来规避，而非依赖.loc整列赋值的旧技巧。

内容的提问来源于stack exchange，提问作者nogaem