如何阻止Pandas在复制操作中自动更改对象类型？

核心原因 #

Pandas原生整数类型（如int64）无法容纳NaN值，只要列中存在NaN或赋值操作引入NaN，就会自动将列类型转为浮点型（float64）——这是问题的根源。

简便解决方案 #

1. 使用可空整数类型（Int64，注意大写I）

Pandas 0.24版本及以上支持可空整数类型，它既能存储整数，也能兼容NaN，不会自动转浮点：

• 创建数据框时直接指定类型：

import pandas as pd
df = pd.DataFrame({'id': [1617, 1618, None], 'value': [100, 200, 300]}, dtype='Int64')

• 转换现有列：

df['id'] = df['id'].astype('Int64')

2. 批量转换所有列的类型

如果有大量列需要处理，用convert_dtypes()方法一键批量转换：

df = df.convert_dtypes()

这个方法会自动将适合的列转为可空类型（包括可空整数、可空字符串等），无需手动逐个处理。

3. 赋值操作时保持类型一致性

执行df[x] = df[y]这类操作前，确保源列df[y]是可空整数类型，或者直接在赋值时指定类型：

df['new_col'] = df['original_col'].astype('Int64')

4. 处理仅含NaN的列

全NaN的列默认是浮点型，直接转成可空整数即可：

df['empty_col'] = df['empty_col'].astype('Int64')

解决JSON序列化的.0问题 #

用可空整数类型后，json.dumps序列化时，整数会保留原格式，NaN会转为null，不会出现1617.0这类带小数的字符串：

import json
json_str = json.dumps(df.to_dict('records'))
# 输出示例：'[{"id":1617,"value":100,"new_col":1617},{"id":1618,"value":200,"new_col":1618},{"id":null,"value":300,"new_col":null}]'

内容的提问来源于stack exchange，提问作者Empusas