如何让Pandas停止使用pd.NA，回归原空值处理逻辑？

一、全局配置回归旧版空值处理逻辑 #

如果想让Pandas默认使用NaN（数值类型）或None（对象/字符串类型）而非pd.NA，可以通过以下全局配置实现：

1. 关闭Nullable类型自动推断

   import pandas as pd
   # 避免自动将字符串列推断为StringDtype（Nullable），改用object dtype，空值为None
   pd.set_option('mode.infer_string', False)
   # 关闭未来版本的静默向下转换限制，允许Nullable类型转成传统类型
   pd.set_option('future.no_silent_downcasting', False)
   

2. 读取数据时指定传统dtype
   如果是读取外部数据（如CSV/Excel）出现pd.NA，可以在读取时明确指定非Nullable dtype，避免生成pd.NA：

   # 示例：读取CSV时指定数值列为float，字符串列为object
   df = pd.read_csv('data.csv', dtype={'UTM_N': float, 'name': object})
   

二、转换现有DataFrame中的pd.NA为NaN/None #

对于已经存在pd.NA的DataFrame，可批量转换为旧版空值格式：

方法1：使用convert_dtypes强制转换为传统类型 #

# 禁用Nullable类型转换，将pd.NA转为对应传统空值
df = df.convert_dtypes(
    infer_objects=True,
    convert_string=False,  # 不转成StringDtype，保留object
    convert_integer=False, # 不转成Int64，保留int/float
    convert_boolean=False  # 不转成BooleanDtype，保留bool/object
)

方法2：按列类型手动转换 #

import numpy as np
import pandas as pd

df_copy = df.copy()
for col in df_copy.columns:
    dtype = df_copy[col].dtype
    if dtype in ['Int64', 'BooleanDtype']:
        # Nullable整数/布尔类型转浮点/对象，pd.NA转为NaN
        df_copy[col] = df_copy[col].astype(float)
    elif dtype == 'string':
        # Nullable字符串类型转object，pd.NA转为None
        df_copy[col] = df_copy[col].astype(object)
df = df_copy

三、解决当前报错的临时写法 #

针对你代码中出现报错的行start_row = oid_subset[oid_subset.UTM_N == max(oid_subset.UTM_N)]，可以通过以下方式规避pd.NA的布尔判断问题：

方法1：先过滤空值再计算 #

# 先去掉UTM_N列的空值
non_na_subset = oid_subset.dropna(subset=['UTM_N'])
# 再筛选最大值对应的行
start_row = non_na_subset[non_na_subset.UTM_N == non_na_subset.UTM_N.max()]

方法2：显式排除空值的布尔判断 #

max_val = oid_subset.UTM_N.max(skipna=True)  # 跳过空值计算最大值
# 筛选等于最大值且非空的行
start_row = oid_subset[oid_subset.UTM_N.eq(max_val) & ~pd.isna(oid_subset.UTM_N)]

四、优化你的空值处理函数 #

你原有的函数依赖try-except效率较低，且inplace=True容易引发意外问题，可优化为：

import numpy as np
import pandas as pd

def replace_na(df):
    df_copy = df.copy()
    for col in df_copy.columns:
        if pd.api.types.is_string_dtype(df_copy[col]) or pd.api.types.is_object_dtype(df_copy[col]):
            # 字符串/对象类型列填充空字符串
            df_copy[col] = df_copy[col].fillna('')
        elif pd.api.types.is_numeric_dtype(df_copy[col]):
            # 数值类型列填充NaN（按需可改为0）
            df_copy[col] = df_copy[col].fillna(np.nan)
        elif pd.api.types.is_boolean_dtype(df_copy[col]):
            # 布尔类型列填充False（按需可改为None）
            df_copy[col] = df_copy[col].fillna(False)
    return df_copy

内容的提问来源于stack exchange，提问作者Travis Sizemore