Pandas read_csv无法转换带千位与小数分隔符的数值问题

问题出在你指定了dtype参数，这会跳过pandas对千分位/小数分隔符的解析逻辑，直接强制将原始字符串转为float，导致格式不兼容的报错。调整方案如下：

修正后的代码 #

import os
import pandas as pd
from datetime import datetime

filepath = 'original_data'
filename = 'Real_Verbrauch_DE_201501010000_202303042359_Viertelstunde.csv'
csv_path = os.path.join(filepath, filename)

df_original = pd.read_csv(
    csv_path, 
    sep=';', 
    thousands='.', 
    decimal=',', 
    parse_dates=['Datum'],
    date_format='%d.%m.%Y'  # 替代date_parser的推荐写法
)

# 确保目标列全部转为float类型（处理可能的异常值）
target_cols = [
    'Gesamt (Netzlast) [MWh] Originalauflösungen',
    'Residuallast [MWh] Originalauflösungen',
    'Pumpspeicher [MWh] Originalauflösungen'
]
df_original[target_cols] = df_original[target_cols].apply(pd.to_numeric, errors='coerce')

关键说明 #

1. 移除dtype参数：pandas的thousands和decimal设置会自动处理1.234,56这类格式的数值，但指定dtype会绕过这个解析流程，直接尝试转换原始字符串，必然报错。
2. 用date_format替代date_parser：这是pandas官方推荐的日期解析方式，代码更简洁且性能更优。
3. 强制数值转换：如果读取后仍有部分值未自动转换，pd.to_numeric(errors='coerce')会将无法解析的异常值转为NaN，同时确保有效数值全部转为float类型，避免报错。

内容的提问来源于stack exchange，提问作者Lukas