Pandas中如何将<NA>转为NaN且保留其他值为整数？

核心结论 #

可以实现你要的整数与NaN共存的格式，但需要结合Pandas的类型特性选择合适的方法。

方法一：使用object类型存储（显示为NaN，值为整数） #

直接将非NaN的浮点值转为整数，保留原有的np.nan，列类型变为object：

import pandas as pd
import numpy as np

# 构造示例数据
df = pd.DataFrame({'weights': [100.0, 100.0, 100.0, np.nan, np.nan, np.nan, 100.0]})

# 转换非NaN值为整数，保留NaN
df['weights'] = df['weights'].map(lambda x: int(x) if pd.notna(x) else x)

转换后结果：

weights
0    100
1    100
2    100
3    NaN
4    NaN
5    NaN
6    100

• 优点：完全匹配你要的显示格式，非NaN值为整数类型，NaN保留原形式
• 缺点：object类型列的运算效率低于原生数值类型，且可能混入其他类型数据（需谨慎操作）

方法二：保留Int64类型，修改缺失值显示为NaN #

Pandas的Int64（大写I）是专门为整数+缺失值设计的Nullable Integer类型，用pd.NA表示缺失值，仅打印时显示为<NA>。若只是显示问题，可修改Pandas全局设置让pd.NA显示为NaN：

import pandas as pd
import numpy as np

df = pd.DataFrame({'weights': [100.0, 100.0, 100.0, np.nan, np.nan, np.nan, 100.0]})

# 转换为Int64类型
df['weights'] = df['weights'].astype('Int64')

# 修改缺失值显示为NaN
pd.options.display.na_rep = 'NaN'

此时查看结果：

weights
0    100
1    100
2    100
3    NaN
4    NaN
5    NaN
6    100

• 优点：列类型是高效的Nullable Integer，运算性能好，不会出现类型混乱
• 缺点：底层存储的缺失值是pd.NA而非np.nan，但两者在pd.isna()等缺失值判断逻辑中完全等价

为什么直接替换会变回浮点型？ #

np.nan本质是浮点类型，当你把pd.NA替换为np.nan时，Pandas会自动将整列类型提升为float64以容纳浮点类型的缺失值，导致原本的整数也转为浮点型。拆分合并操作同理，只要列中同时存在整数和np.nan，Pandas就会自动将列转为浮点类型。

内容的提问来源于stack exchange，提问作者cppnewbie