如何将整数导入为数值字符串并避免科学计数法（Pandas JSON问题）

步骤1：先过滤掉不需要的字典 #

在调用json_normalize之前，先对原始JSON列表做过滤，把你提到的"B"类字典排除。假设这类字典有明确标识（比如type字段值为"B"），处理代码如下：

import pandas as pd
import json

# 加载原始JSON数据
with open("your_data.json", "r") as f:
    data = json.load(f)

# 过滤掉"B"类字典（可根据实际判断条件调整）
filtered_data = [item for item in data if item.get("type") != "B"]

步骤2：修复endTime列的类型与科学计数法问题 #

因为缺失值NaN无法存储在普通整数列中，所以要用pandas的可空整数类型Int64（注意大写I），既能保留整数格式，又能兼容缺失值。同时通过数值转换修复科学计数法问题：

# 归一化过滤后的数据
df = pd.json_normalize(filtered_data)

# 处理endTime列：先将字符串格式的数值转为数值类型，再转成可空整数
df["endTime"] = pd.to_numeric(df["endTime"], errors="coerce").astype("Int64")

# 若需要将NaN替换为特定值（比如0），执行以下代码（替换后可转成普通int类型）
# df["endTime"] = df["endTime"].fillna(0).astype(int)

补充说明 #

• pd.to_numeric的errors="coerce"参数，会把无法转成数值的内容（比如空字符串）统一转为NaN，方便后续处理
• 可空整数类型Int64是pandas专门针对带缺失值的整数场景设计的，解决了普通int列无法存储NaN的问题
• 如果填充NaN后仍显示科学计数法，可通过pd.set_option('display.float_format', '{:.0f}'.format)强制以整数格式显示

内容的提问来源于stack exchange，提问作者Kirk Fleming