如何将Pandas DataFrame中列的对象类型转换为数值类型？

我有如下格式的CSV文件，构造的Pandas DataFrame如下：

table = {'column1': [1,2,3],
         'column2': ['(0.2, 0.02, NaN)','(0.0, 0.03, 0)','(0.1, NaN, 1)']}
df = pd.DataFrame(table)

我想要访问column2中存储的数组，但Pandas显示该列类型为object，打印df['column2'][0][0]得到的是'('而非0.2。尝试使用pd.to_numeric(df['column2'][0])也未成功，请问如何将该列的数据类型从object转换为数值类型？

• 方法1：字符串处理+拆分转换
  先清理字符串中的括号，按逗号拆分后转换为数值数组：

  import pandas as pd
  import numpy as np
  
  # 去除首尾括号并按逗号+空格拆分字符串
  df['column2'] = df['column2'].str.strip('()').str.split(', ')
  # 将每个子列表转为带NaN的数值数组
  df['column2'] = df['column2'].apply(lambda x: np.array(pd.to_numeric(x, errors='coerce')))
  

  处理后df['column2'][0][0]将返回0.2，所有元素均为数值类型，原字符串中的NaN会被正确识别为缺失值。

• 方法2：用ast.literal_eval解析（需处理NaN）
  利用Python的抽象语法树解析字符串为原生对象，注意先替换字符串中的NaN为可解析的格式：

  import pandas as pd
  import ast
  import numpy as np
  
  # 替换字符串里的NaN为numpy的NaN标识，再解析为元组
  df['column2'] = df['column2'].str.replace('NaN', 'np.nan').apply(ast.literal_eval)
  # 转换为数值数组
  df['column2'] = df['column2'].apply(np.array)
  

  此方法更贴近原生数据结构解析，但要保证字符串中NaN的格式统一，避免解析报错。

• 方法3：拆分为独立数值列（无需保留数组）
  如果不需要保留数组形式，直接拆分出多列数值：

  import pandas as pd
  
  # 拆分字符串并展开为多列
  expanded_cols = df['column2'].str.strip('()').str.split(', ', expand=True)
  # 批量转换为数值类型
  expanded_cols = expanded_cols.apply(pd.to_numeric, errors='coerce')
  # 重命名列并和原DataFrame合并
  df = pd.concat([df['column1'], expanded_cols.rename(columns={0:'col2_val1', 1:'col2_val2', 2:'col2_val3'})], axis=1)
  

  拆分后可直接操作独立的数值列，更适合后续数据分析场景。

内容的提问来源于stack exchange，提问作者Cruz