Pandas列范围值取平均替换报错，求正确实现方案

错误原因 #

你的代码报错是因为目标列是混合类型（包含float数值、字符串范围、NaN），使用str.contains和str.split这类字符串方法时，非字符串元素（比如float类型的0.647、0，以及NaN）会返回NaN。当你对这些NaN应用lambda函数时，会触发TypeError: 'float' object is not iterable——因为NaN是float类型，无法被迭代拆分。

解决方案 #

我们需要先统一列的类型，再针对性处理范围值、数值和NaN。以下提供两种可行方法：

方法1：自定义函数+apply（直观易读） #

先定义一个处理单个值的函数，再用apply遍历整列：

import pandas as pd
import numpy as np

# 可复现数据
df = pd.DataFrame([0.647,0.88,0,0.73,'1.7 - 2.1','1.2 - 1.5',2.5 ,np.NaN,'1.5 - 1.9','1.3 - 1.5',0.4,'1.7 - 2.9'],columns=['Average Weight (Kg)'])

def process_weight(val):
    # 先处理NaN
    if pd.isna(val):
        return np.nan
    # 统一转为字符串，避免类型混乱
    val_str = str(val).strip()
    # 判断是否为范围值
    if '-' in val_str:
        # 拆分、去空格、转浮点后计算平均值
        nums = [float(x.strip()) for x in val_str.split('-')]
        return np.mean(nums)
    else:
        # 非范围值转为浮点，处理异常情况
        try:
            return float(val_str)
        except:
            return np.nan

# 应用函数到目标列
df['Average Weight (Kg)'] = df['Average Weight (Kg)'].apply(process_weight)

方法2：矢量化操作（高效适合大数据集） #

利用Pandas的矢量化方法替代apply，提升处理速度：

import pandas as pd
import numpy as np

# 可复现数据
df = pd.DataFrame([0.647,0.88,0,0.73,'1.7 - 2.1','1.2 - 1.5',2.5 ,np.NaN,'1.5 - 1.9','1.3 - 1.5',0.4,'1.7 - 2.9'],columns=['Average Weight (Kg)'])

# 统一转为字符串，处理NaN
weight_str = df['Average Weight (Kg)'].astype(str)

# 标记哪些行是范围值
is_range = weight_str.str.contains('-')

# 处理范围值：拆分后转浮点，计算行平均值
range_results = weight_str[is_range].str.split('-', expand=True).apply(lambda x: x.str.strip()).astype(float).mean(axis=1)

# 处理非范围值：转为数值，无法转换的（比如'NaN'）设为NaN
non_range_results = pd.to_numeric(weight_str[~is_range], errors='coerce')

# 合并结果并重新对齐索引
df['Average Weight (Kg)'] = pd.concat([range_results, non_range_results]).reindex(df.index)

两种方法处理后，目标列的结果一致：范围值被替换为平均值，原数值、0和NaN均保留正确格式。

内容的提问来源于stack exchange，提问作者alex3465