Pandas Series从float转int后重新赋值不生效问题

问题根源 #

1. pandas中int类型无法存储NaN值，所以当列存在NaN时，会自动转为float类型。你遇到的500条NaN行，大概率是读取CSV时参数设置问题（比如空白行被识别为NaN、特定字符被误解析为缺失值）。
2. 直接执行df['ID'] = df['ID'].dropna().astype(int)无效，是因为dropna()返回的是删除NaN后的短Series，赋值时原DataFrame中未被删除的NaN行依然存在，导致列类型被迫转回float。

解决方案 #

方案1：保留NaN行，使用支持缺失值的整数类型

pandas提供了Int64（大写I）可空整数类型，既能存储整数，又能兼容NaN：

# 直接转换为可空整数类型
df['ID'] = df['ID'].astype('Int64')

转换后，有效数据显示为整数，NaN行保留，列类型为Int64而非float。

方案2：彻底删除NaN行后转类型

如果不需要保留NaN行，先删除对应行再转换类型：

# 删除ID列含NaN的行
df = df.dropna(subset=['ID'])
# 转换为int类型
df['ID'] = df['ID'].astype(int)

此时整个列无NaN，可稳定保持int类型。

额外排查：解决CSV读取时的NaN问题

如果原CSV没有NaN但读入后出现，检查pd.read_csv的参数：

• 添加skip_blank_lines=True（默认开启，但可显式设置）跳过空白行
• 通过na_values指定哪些字符会被识别为NaN，避免误解析：

  df = pd.read_csv('your_file.csv', na_values=['', 'NA'])
  

内容的提问来源于stack exchange，提问作者Adka