如何将含大整数字符串与None的pandas Series无损转为Int64？解决astype报错

针对你遇到的这个问题——在pandas 1.0.5里无法直接将包含大整数字符串和None的Series转为Int64类型，还不能丢失精度，我给你两个靠谱的解决思路：

方案一：先转Python int再转Int64类型 #

Python的int类型支持任意精度，完全不用担心大整数的精度丢失问题。我们可以先把非None的字符串元素转为Python int，再统一转为pandas的可空Int64类型：

import pandas as pd

test_series = pd.Series(['4498465375688747025', '4366843671738038466', None, None, '4235221967816327545'])

# 处理每个元素：非None转Python int，None保持不变
converted = test_series.apply(lambda x: int(x) if pd.notna(x) else None)
# 转为可空Int64类型
result = converted.astype('Int64')

print(result)
# 输出：
# 0    4498465375688747025
# 1    4366843671738038466
# 2                    <NA>
# 3                    <NA>
# 4    4235221967816327545
# dtype: Int64

这个方法的核心是利用Python原生int的高精度特性绕过浮点数转换，完美保留原始数值，同时也兼容None值转为<NA>。

方案二：使用pd.to_numeric配合转换（仅适用于数值在int64安全范围内的情况） #

如果你的大整数都在int64的取值范围内（即小于9223372036854775807），也可以先通过pd.to_numeric将字符串转为数值类型，再转为Int64，但注意：如果数值超过2^53，直接转float64会丢失精度，所以这个方法只适合确认数值在安全范围内的场景：

# 先将字符串转为数值，None转为NaN
temp = pd.to_numeric(test_series, errors='coerce')
# 转为可空Int64
result = temp.astype('Int64')

不过还是更推荐方案一，因为它完全没有精度丢失的风险，不管你的整数多大都能处理。

至于为什么直接用test_series.astype('Int64')会报错？这是因为在pandas 1.0.5版本中，可空Int64类型还不支持直接从字符串类型转换，必须先将元素转为整数对象或合适的数值类型才行。

内容的提问来源于stack exchange，提问作者Florian