如何将DataFrame中float64类型ID列转为int类型并处理缺失值？

你的代码无效的核心原因是目标列是字符串类型（object），而非真正的数值型float，直接调用astype无法完成转换。以下是可行的处理步骤：

单列处理（以ProviderID为例） #

import numpy as np
import pandas as pd

# 第一步：将字符串格式的"x.0"转换为数值型，无法转换的内容（含原缺失值）转为NaN
df_claims['ProviderID'] = pd.to_numeric(df_claims['ProviderID'], errors='coerce')

# 第二步：临时填充缺失值、转int、还原缺失值
# 这里用-1作为临时填充值（选业务中不存在的数值即可，避免覆盖真实数据）
df_claims['ProviderID'] = df_claims['ProviderID'].fillna(-1).astype('int64').replace(-1, np.nan)

批量处理三列 #

如果要一次性处理ProviderID、Vender、PCP三列，用循环简化操作：

cols_to_convert = ['ProviderID', 'Vender', 'PCP']

for col in cols_to_convert:
    # 字符串转数值
    df_claims[col] = pd.to_numeric(df_claims[col], errors='coerce')
    # 处理缺失值并转换类型
    df_claims[col] = df_claims[col].fillna(-1).astype('int64').replace(-1, np.nan)

关键说明 #

• pd.to_numeric(..., errors='coerce')：这一步是核心，它能把字符串形式的数字转成真正的数值，同时把所有无效内容（比如空值、非数字字符串）统一转为NaN，避免后续转换报错。
• 临时填充值选-1而非0的原因：如果你的业务数据中存在合法的0值，用0填充会覆盖真实数据，选一个业务中不可能出现的数值更安全；如果确定数据里没有0，也可以用0替代-1。

内容的提问来源于stack exchange，提问作者Jaeho Ahn