Pandas按字符串列Join失败：ValueError：尝试合并object与int64列

原因分析 #

1. 列整体类型与元素实际类型不符：df.info()仅展示列的整体数据类型为object，但object是Python对象的容器，允许同一列中同时存在字符串、整数等不同类型的元素。报错信息说明两个DataFrame的code列表面为object类型，但实际元素存在类型混杂（比如一个列含字符串，另一个列含整数），导致join操作时类型校验失败。
2. join与merge的校验逻辑差异：DataFrame.join()指定on参数时，会先尝试将该列作为索引对齐，对元素类型的校验比pd.merge()更严格；而pd.merge()会自动做部分类型兼容（如将整数转为字符串），所以可能不报错，但这并未解决根本的类型不统一问题。
3. 字符串转换不彻底：你显式转换code列为字符串时，可能存在未处理的特殊值（如NaN、None），这些值转换后可能仍保留原类型，或转为'nan'字符串，但另一列对应位置是整数类型的缺失值，最终引发类型冲突。

解决办法 #

1. 彻底统一列元素类型 #

对两个DataFrame的code列执行强制字符串转换，同时处理缺失值：

# 将NaN转为空字符串（按需调整）
df1['code'] = df1['code'].astype(str).replace('nan', '')
df2['code'] = df2['code'].astype(str).replace('nan', '')

# 若需保留缺失值，可指定统一字符串标记
df1['code'] = df1['code'].astype(str).fillna('missing')
df2['code'] = df2['code'].astype(str).fillna('missing')

2. 排查列内元素的实际类型 #

先确认两个列中具体的元素类型，定位问题根源：

# 查看df1的code列元素类型
print(df1['code'].apply(type).unique())
# 查看df2的code列元素类型
print(df2['code'].apply(type).unique())

若输出中存在<class 'int'>，说明确实有整数元素混在object列中，需针对性转换。

3. 调整join的使用方式（可选） #

若偏好使用join，可先将code列设为索引再执行操作：

df1.set_index('code').join(df2.set_index('code'), how='left')

或直接使用pd.merge（需确保列类型统一）：

pd.merge(df1, df2, on='code', how='left')

内容的提问来源于stack exchange，提问作者NicolasRx