如何验证含NaN值的Pandas DataFrame列的数值类型？

核心问题在于：Pandas中整数列只要包含NaN值，会自动转换为float64类型，所以直接用is_numeric_dtype或is_integer_dtype无法准确验证「除NaN外均为整数」的需求。以下分两种场景给出解决方案：

1. 验证列是「允许NaN的整数类型」 #

需要同时满足两个条件：

• 列属于数值类型（避免字符串等非数值混入）
• 所有非NaN的值都是整数（包括Int64这种可空整数类型的情况）

实现代码 #

import pandas as pd
import pandas.api.types as ptypes

def is_integer_column_with_nan(df, col_name):
    col = df[col_name]
    # 情况1：列是可空整数类型（Int64）
    if ptypes.is_integer_dtype(col):
        return True
    # 情况2：列是浮点类型，但非NaN值都是整数
    elif ptypes.is_float_dtype(col):
        # 过滤NaN后检查所有值是否为整数
        non_nan_vals = col.dropna()
        return non_nan_vals.apply(lambda x: x.is_integer()).all()
    # 非数值类型直接返回False
    else:
        return False

2. 验证列是「允许NaN的浮点类型」 #

如果需求是验证列本身为浮点类型（允许NaN），可以直接检查 dtype 是否为浮点类，包括原生float64和可空Float64类型：

实现代码 #

def is_float_column_with_nan(df, col_name):
    col = df[col_name]
    return ptypes.is_float_dtype(col)

测试示例 #

# 测试数据：包含NaN的整数列（自动转为float64）
df1 = pd.DataFrame({'a_column': [1, 2, 3, None]})
print(is_integer_column_with_nan(df1, 'a_column'))  # 输出True

# 测试数据：可空整数类型列（Int64）
df2 = pd.DataFrame({'a_column': [1, 2, 3, None]}, dtype='Int64')
print(is_integer_column_with_nan(df2, 'a_column'))  # 输出True

# 测试数据：包含非整数的浮点列
df3 = pd.DataFrame({'a_column': [1.5, 2.0, None]})
print(is_integer_column_with_nan(df3, 'a_column'))  # 输出False

# 测试浮点列
print(is_float_column_with_nan(df1, 'a_column'))  # 输出True
print(is_float_column_with_nan(df2, 'a_column'))  # 输出False

补充说明 #

• 若使用Pandas 1.0+版本，推荐使用可空数值类型（Int64、Float64），这类类型原生支持NaN且能保留整数/浮点的类型标记，验证时直接用is_integer_dtype或is_float_dtype即可。
• 若必须处理传统的float64类型列（因NaN自动转换导致），则需通过检查非NaN值的整数属性来间接验证。

内容的提问来源于stack exchange，提问作者Corsair