如何将Pandas DataFrame中多类型值转换为整数（含单位转换与格式修正）

我来帮你搞定这个Pandas数据格式转换的问题——混合了字符串、整数、浮点数的object列确实容易让人头疼，咱们分场景一步步解决。

你的长度列有好几种情况，得逐个判断处理，最稳妥的方式是写一个自定义转换函数，用apply()批量处理每一行的值。

自定义转换函数思路 #

我们需要覆盖所有给定的场景：

• 识别并标记无效值'No value known'
• 把带逗号的字符串（比如'47,587'）转换成可计算的数值（这里默认逗号是小数分隔符，符合欧洲格式）
• 对整数或.0结尾的浮点数直接转成整数
• 对小数（比如101.1）乘以1000转成米单位后再转整数

代码实现 #

import pandas as pd

def convert_length(value):
    # 处理无有效值的情况，返回可空NA（也可以保留原字符串，按需调整）
    if isinstance(value, str) and value.strip() == 'No value known':
        return pd.NA
    
    # 处理带逗号的字符串，替换为小数点后转浮点数
    if isinstance(value, str):
        cleaned_value = value.replace(',', '.')
        try:
            value = float(cleaned_value)
        except ValueError:
            # 如果是其他无法转换的字符串，也返回NA
            return pd.NA
    
    # 处理数值类型的情况
    if isinstance(value, (int, float)):
        # 判断是否是整数（包括.0结尾的浮点数）
        if value.is_integer():
            return int(value)
        else:
            # 小数转米单位后转整数，这里用int()直接取整，如需四舍五入可以用round()
            return int(value * 1000)
    
    # 其他未知情况返回NA
    return pd.NA

# 应用到你的长度列，假设列名为'length'
df['length'] = df['length'].apply(convert_length)

说明 #

• 用pd.NA标记无效值，方便后续过滤或填充，如果你想保留原字符串'No value known'，直接返回原字符串即可
• 加入了try-except捕获无法转换的异常字符串，避免整个转换过程崩溃
• 小数转米后用int()取整，如果你需要四舍五入，把int(value * 1000)改成round(value * 1000)就行

对于那些原本是整数但偶尔出现.0浮点数的列，处理起来更简单，核心是先确保数值类型正确，再转成可空整数类型（避免NaN报错）。

方法一：用pd.to_numeric+可空整数类型 #

这种方法适合列中可能存在NaN的情况：

# 假设列名为'other_integer_col'
df['other_integer_col'] = pd.to_numeric(df['other_integer_col'], errors='coerce').astype('Int64')

• pd.to_numeric(errors='coerce')会把无法转换的值转成NaN
• astype('Int64')是Pandas的可空整数类型，既能把.0转成整数，又能保留NaN

方法二：直接转整数（无NaN时用） #

如果你的列里没有缺失值或无效值，直接用astype(int)就可以：

df['other_integer_col'] = df['other_integer_col'].astype(int)

方法三：用lambda函数处理 #

也可以用lambda快速判断转换：

df['other_integer_col'] = df['other_integer_col'].apply(
    lambda x: int(x) if isinstance(x, float) and x.is_integer() else x
)

内容的提问来源于stack exchange，提问作者Stijn