为何Pandas中新增未匹配索引的Series数据类型从int转为float？

我在练习Pandas时编写了以下代码：

data_dict={'Ahmed':90,'Ali':85,'Omar':80}
series=pd.Series(data_dict,index=['Ahmed','Ali','Omar'])
print("Series :",series)
series2=pd.Series(data_dict,index=['Ahmed','Ali','Omar','Karthi'])
print("Series 2 :",series2)

得到的输出如下：

Series :
Ahmed    90
Ali      85
Omar     80
dtype: int64

Series 2 :
Ahmed     90.0
Ali       85.0
Omar      80.0
Karthi     NaN
dtype: float64

我在索引中添加了字典中不存在的字段Karthi，结果得到NaN值，但Series 2的数据类型从int64变为float64，请问这是什么原因？

核心原因：NaN的类型限制 #

Pandas里的缺失值NaN本质是浮点类型（对应numpy.float64），而普通的整数类型（比如int64）没办法存储缺失值——整数体系里没有专门表示"缺失"的合法值。

当你给series2添加了字典中不存在的索引Karthi时，Pandas会自动为这个位置填充NaN。为了让Series既能保存原来的整数值，又能容纳新增的NaN，Pandas会触发类型提升机制，把整个Series的数据类型从int64转为float64，这样所有元素都能被正确存储。

可选解决方案：保留整数类型处理缺失值 #

如果需要在保留整数类型的同时支持缺失值，可以使用Pandas提供的可空整数类型Int64（注意首字母大写），示例代码如下：

series2 = pd.Series(data_dict, index=['Ahmed','Ali','Omar','Karthi'], dtype='Int64')

此时输出的dtype为Int64，Karthi对应的缺失值会显示为<NA>，而非NaN。

内容的提问来源于stack exchange，提问作者karthiAru