为何Pandas处理含None的列时优先选float64而非Int64？

为什么没选int64？ #

传统numpy的int64类型不支持存储缺失值——Pandas里的None会被自动转换为np.nan，但np.nan本质是浮点类型，为了兼容这个缺失值，整个列只能被提升为float64，这是numpy原生类型体系的限制。

为什么没自动选Int64？ #

Pandas的Int64（注意大写I）是后来引入的可空整数类型，但pd.to_numeric的默认行为是优先适配numpy的原生数据类型体系，不会自动切换到Pandas自定义的可空类型。如果想要得到Int64类型，需要显式指定参数：

test_data = test_data.apply(lambda x: pd.to_numeric(x, errors='ignore', dtype='Int64'))

或者单独处理目标列时直接指定dtype：

test_data['目标列'] = pd.to_numeric(test_data['目标列'], errors='ignore', dtype='Int64')

内容的提问来源于stack exchange，提问作者Ish Thomas