Pandas导入Excel列存在多数据类型的处理求助

1. 清理空白单元格（空格字符串转NaN） #

先处理列中仅含空格的单元格，避免后续类型转换出错：

import numpy as np

# 处理目标列（以C15为例，C17可同理操作）
dfc8['C15'] = dfc8['C15'].apply(lambda x: x.strip() if isinstance(x, str) else x)
dfc8['C15'] = dfc8['C15'].replace('', np.nan)

# 对C17执行同样清理
dfc8['C17'] = dfc8['C17'].apply(lambda x: x.strip() if isinstance(x, str) else x)
dfc8['C17'] = dfc8['C17'].replace('', np.nan)

通过isinstance(x, str)判断类型，避免对数值调用strip()引发报错，同时把清理后为空的字符串转为NaN。

2. 统一转换为数值类型 #

用pd.to_numeric强制将列转为单一数值类型，无法转换的内容自动设为NaN：

dfc8['C15'] = pd.to_numeric(dfc8['C15'], errors='coerce')
dfc8['C17'] = pd.to_numeric(dfc8['C17'], errors='coerce')

errors='coerce'参数会把所有非数值内容转为NaN，此时列会统一为float类型（包含NaN），满足后续数学运算的类型要求。

3. 执行数学运算（自动跳过非数值行） #

修正你原代码的语法错误后直接运行即可——NaN参与运算结果仍为NaN，相当于自动跳过非数值行：

# 修正后的运算逻辑
dfc8['C17'] = ((dfc8['C17'] / 100).astype(int) * 12) + ((dfc8['C17'] / 100 - (dfc8['C17'] / 100).astype(int)) * 100)

如果需要保留原始非数值行的内容，可改用mask方法：

calc_result = ((dfc8['C17'] / 100).astype(int) * 12) + ((dfc8['C17'] / 100 - (dfc8['C17'] / 100).astype(int)) * 100)
dfc8['C17'] = dfc8['C17'].mask(dfc8['C17'].notna(), calc_result)

额外优化：导入阶段提前处理 #

如果想从根源减少类型混乱，可在pd.read_excel中指定converters参数，提前处理目标列：

def clean_col(x):
    if isinstance(x, str):
        x = x.strip()
        return float(x) if x else np.nan
    return x

# 14是C15对应的列索引（M:AA共15列，从0开始计数）
df8 = [pd.read_excel(xls, sheet_name=s, skiprows=4, nrows=32, usecols='M:AA', header=None, 
                     converters={14: clean_col}) for s in bolt]

导入后列已为统一数值类型，后续无需重复转换。

内容的提问来源于stack exchange，提问作者Rand0mdude