如何去除DataFrame中数字字符串的空格并转换为float类型？

针对带空格的字符串数字转换问题，你可以通过先去除字符串中的空格，再执行数值转换的方式解决，下面提供两种实用的批量处理方案：

方案1：自定义处理函数遍历列 #

写一个包含空格清理+数值转换的函数，然后遍历DataFrame的每一列应用这个函数：

import pandas as pd

def clean_and_convert(col):
    # 仅对字符串类型列做处理
    if col.dtype == object:
        # 去除所有空格（包括中间的空格）
        cleaned_col = col.str.replace(' ', '', regex=False)
        # 转换为float类型，errors可根据需求调整为'coerce'/'ignore'
        return pd.to_numeric(cleaned_col, errors='ignore', downcast='float')
    # 非字符串列直接返回
    return col

# 遍历所有列应用函数
df = df.apply(clean_and_convert)

方案2：筛选字符串列批量处理 #

先筛选出DataFrame中的字符串类型列，针对性地清理空格后转换，效率更高：

import pandas as pd

# 获取所有object类型的列
str_cols = df.select_dtypes(include=['object']).columns

# 对每个字符串列，先去空格再转数值
for col in str_cols:
    df[col] = pd.to_numeric(df[col].str.replace(' ', '', regex=False), errors='ignore', downcast='float')

补充说明 #

• 如果你的空格是千位分隔符（比如'1 234'是1234的千位分隔写法），用str.replace(' ', '')直接去除即可，逻辑和普通空格处理一致；
• errors参数：如果遇到无法转换的非数字字符串，errors='ignore'会保留原内容，errors='coerce'会将其转为NaN，可根据业务需求选择；
• downcast='float'会自动选择最合适的float类型，节省内存，无需额外调整。

内容的提问来源于stack exchange，提问作者Coco