使用Pandas读取UCI乳腺癌数据集时第7列被识别为字符串的原因

核心原因 #

你遇到的问题根源在于数据集的第7列（索引为6的列，对应特征Bare Nuclei）中包含非数值的缺失标记?。Pandas自动推断列类型时，只要列内存在非数值内容，就会将整列类型判定为字符串（object dtype），哪怕大部分值是整数。

验证方式 #

你可以通过查看该列的唯一值确认这一点：

print(data[6].unique())

运行后会输出包含?的数组，这就是类型被识别为字符串的关键原因。

解决办法 #

有两种常见的处理方式：

• 读取时直接处理：指定缺失值标记为?，同时使用支持存储NaN的可空整数类型Int64读取该列：

  data = pd.read_csv('UCI/breast-cancer-wisconsin.data', header=None, na_values='?', dtype={6: 'Int64'})
  

• 读取后转换处理：先读取数据，再将?替换为可空值，最后转换类型：

  data[6] = data[6].replace('?', pd.NA).astype('Int64')
  

内容的提问来源于stack exchange，提问作者user1340852