如何修复Pandas中int()以10为基数的无效字面量错误："0.75"

你遇到的问题核心是：df2里的列是带小数的字符串（比如"0.75"），但df1对应列是int类型，直接用astype强制转换时，字符串没法直接转成整数，所以报错。之前把两个DF转成字符串再转的操作没用，因为df1转成字符串后所有列类型都变成了object，转完df2还是object，根本没匹配到df1原本的数值类型。

给你两个通用的修复方案：

方案一：逐列精准处理（推荐，可控性高） #

遍历每一列，先把df2的列转成标准数值类型，再匹配df1的目标类型，还能灵活处理异常值：

import pandas as pd

# 循环处理每一列
for col, target_dtype in df1.dtypes.items():
    # 处理数值类型列（int/float）
    if pd.api.types.is_numeric_dtype(target_dtype):
        # 第一步：把df2的列转成数值（errors='raise'会报错提醒无效值，换成'coerce'会把无效值转成NaN）
        df2[col] = pd.to_numeric(df2[col], errors='raise')
        # 如果目标是整数类型，可选择直接截断或四舍五入
        if pd.api.types.is_integer_dtype(target_dtype):
            # 直接截断小数部分（比如0.75→0）
            df2[col] = df2[col].astype(target_dtype)
            # 或者四舍五入后转int（0.75→1）：
            # df2[col] = df2[col].round().astype(target_dtype)
    # 非数值类型（比如字符串、日期）直接转换
    else:
        df2[col] = df2[col].astype(target_dtype)

方案二：自动推断转换（适合简单场景） #

用pandas的convert_dtypes先让df2自动适配合理的数值类型，再匹配df1的类型：

# 先让df2自动转换为最合适的数值类型
df2 = df2.convert_dtypes()
# 再匹配df1的类型
df2 = df2.astype(df1.dtypes.to_dict(), errors='ignore')

这个方案更简洁，但对异常值的处理不如方案一灵活，errors='ignore'会跳过转换失败的列。

内容的提问来源于stack exchange，提问作者Kelly