如何清理DataFrame中的空字符串以完成float类型转换？

核心思路 #

清理特殊字符后仍存在的空字符串（或隐性空白字符）是转换失败的根源，需要先将这些无效值转为Pandas可识别的缺失值（NaN），再进行类型转换，或直接过滤掉无效行。

方法1：替换空字符串为NaN后转换 #

用replace将空字符串替换为np.nan，Pandas允许float类型列包含NaN，因此可以顺利完成转换：

import pandas as pd
import numpy as np

# 指定需要转换的列
target_cols = ['discounted_price', 'actual_price', 'discount_percentage', 'rating', 'rating_count']

# 替换空字符串为NaN
df[target_cols] = df[target_cols].replace('', np.nan)

# 批量转换为float类型
df[target_cols] = df[target_cols].astype(float)

方法2：用pd.to_numeric自动处理无效值 #

pd.to_numeric的errors='coerce'参数会自动将所有无法转为数字的内容（包括空字符串）转为NaN，无需手动替换：

for col in target_cols:
    df[col] = pd.to_numeric(df[col], errors='coerce')

执行后，目标列会自动变为float类型（因包含NaN）。

方法3：过滤含空值的行（若无需保留无效记录） #

如果不需要保留存在空字符串的行，可直接删除后再转换：

# 先替换空字符串为NaN，再删除对应行
df[target_cols] = df[target_cols].replace('', np.nan)
df = df.dropna(subset=target_cols)

# 转换为float类型
df[target_cols] = df[target_cols].astype(float)

补充：处理隐性空白字符 #

若清理后存在看似空但实际是空格/制表符的内容，先统一去除两端空白：

# 先去除字符串两端空白，再替换空字符串
df[target_cols] = df[target_cols].str.strip().replace('', np.nan)

内容的提问来源于stack exchange，提问作者Gerardo Céspedes Beltrán