使用pd.read_csv时如何去除多余.0并转为int类型？

针对示例CSV数据：

1000.0, 2000.0, 3000.0

直接用pd.read_csv(..., dtype=int)会报错，因为数据是带小数位的字符串格式。推荐两种优雅的处理方式：

方式1：读取为float后直接转int #

如果数据确定都是整数的浮点表示（无非.0的小数），可以先以float读取，再转为int：

import pandas as pd
df = pd.read_csv("your_file.csv", dtype=float).astype(int)

这种方式简洁，pandas会自动去除.0，直接得到int类型数值。

方式2：使用converters参数自定义解析 #

如果需要在读取阶段完成处理，可通过converters指定列的解析逻辑：

df = pd.read_csv(
    "your_file.csv",
    converters={col: lambda x: int(float(x)) for col in ["col1", "col2", "col3"]}
)

若不确定列名，可按索引处理：

df = pd.read_csv(
    "your_file.csv",
    header=None,
    converters={i: lambda x: int(float(x)) for i in range(3)}
)

执行pd.read_csv(~, dtype='int', thousands=',')出现unable to parse string "1,000"错误，原因是指定dtype='int'时，pandas会跳过thousands参数的预处理，直接尝试将未处理逗号的字符串转为int。

解决方法：

方式1：不指定dtype，让pandas自动识别 #

去掉dtype='int'，仅保留thousands=','，pandas会自动解析千分位并识别数值类型，之后再转为int即可：

df = pd.read_csv("your_file.csv", thousands=',')
df = df.astype(int)

方式2：使用converters自定义处理 #

编写解析函数，先去除千分位逗号再转int：

def parse_thousand(x):
    return int(x.replace(',', ''))

df = pd.read_csv(
    "your_file.csv",
    converters={"target_col": parse_thousand}
)

方式3：使用Int64可空整数类型 #

若数据存在缺失值，推荐用可空整数类型配合thousands=','，既支持千分位解析，又能保留int类型：

df = pd.read_csv("your_file.csv", dtype='Int64', thousands=',')

内容的提问来源于stack exchange，提问作者younghyun