Pandas数据框缺失值填充异常及列数据类型修改方案问询

问题根因 #

你的问题核心是Int64类型的列无法存储浮点数值：当你用浮点型的均值（70.049958）填充Int64类型的LotFrontage时，因为类型不兼容，填充操作实际没有生效，缺失值仍然存在。

方案1：先转浮点型再填充（推荐，无精度损失） #

直接将LotFrontage转为浮点类型，再填充均值，这样浮点数值可以正常存入，彻底解决填充无效的问题：

# 转换LotFrontage列类型为float64
num_data['LotFrontage'] = num_data['LotFrontage'].astype('float64')
# 用列均值填充缺失值
num_data['LotFrontage'] = num_data['LotFrontage'].fillna(num_data['LotFrontage'].mean())
# 验证缺失值数量
num_data.isna().sum()

方案2：将均值取整后填充（适合允许整数的业务场景） #

如果业务上LotFrontage只需要整数，可把计算出的均值四舍五入/取整后再填充，无需修改原列类型：

# 计算均值并四舍五入为整数（也可用int()直接取整）
lot_frontage_mean = round(num_data['LotFrontage'].mean())
# 填充缺失值
num_data['LotFrontage'] = num_data['LotFrontage'].fillna(lot_frontage_mean)

注意：此方法会丢失小数精度，需确认业务逻辑是否允许。

方案3：一键完成类型转换与填充 #

使用pd.to_numeric工具，自动处理类型转换并填充，适合快速批量操作：

# 转换为数值类型（无法转换的强制为NaN），再填充均值
num_data['LotFrontage'] = pd.to_numeric(num_data['LotFrontage'], errors='coerce').fillna(num_data['LotFrontage'].mean())

执行后，LotFrontage会自动转为浮点类型，缺失值也会被正确填充。

额外检查项 #

• 查看num_data.dtypes确认所有数值列的类型是否正确，避免拆分时把数值列误分到分类型切片。
• 确认均值计算是否正确：pandas的mean()默认会跳过缺失值，若担心可手动指定skipna=True。

内容的提问来源于stack exchange，提问作者Jordan