Pandas中使用聚合函数后列无法从float转为Int64的问题

核心问题原因 #

原始列的浮点数都是整数形式的浮点数（如123.0），与整数完全等价，因此astype('Int64')能安全转换并保留NaN；而mean()等聚合生成的列是带小数的浮点数（如289.5），这类值无法直接等价转换为整数，触发pandas的安全检查报错。

可行方法 #

方法1：先处理小数部分再转换

根据业务需求选择四舍五入、截断等方式将浮点值转为整数形式的浮点数，再用astype('Int64')转换，同时保留NaN：

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame(data=[[123.0, np.NaN, 456.0], [987.0, 876.0,np.NaN], [np.NaN, np.NaN, np.NaN]],
                  columns=['2018', '2019', '2020'],
                  index=['sales','support','marketing'])
df['avg'] = df.mean(axis=1)

# 四舍五入后转换为Int64
df['avg_int'] = df['avg'].round().astype('Int64')

# 查看结果
print(df)
print("\n转换后列类型：", df['avg_int'].dtype)
print("marketing行的avg_int值：", df.loc['marketing', 'avg_int'])

输出结果：

2018    2019    2020     avg  avg_int
sales     123.0     NaN   456.0  289.5      290
support   987.0   876.0     NaN  931.5      932
marketing    NaN     NaN     NaN    NaN     <NA>

转换后列类型： Int64
marketing行的avg_int值： <NA>

如果业务需求是截断小数（如取整数部分而非四舍五入），可替换为：

# 向下取整
df['avg_int_floor'] = np.floor(df['avg']).astype('Int64')
# 向上取整
df['avg_int_ceil'] = np.ceil(df['avg']).astype('Int64')

方法2：使用pd.to_numeric配合errors='coerce'（适用于确保值可转为整数的场景）

如果能确认聚合后的值经过处理可转为整数，也可以用pd.to_numeric强制转换，同时将无法转换的值转为<NA>：

df['avg_int'] = pd.to_numeric(df['avg'].round(), downcast='integer', errors='coerce').astype('Int64')

为什么之前的尝试失败 #

• df['avg'].astype(float).astype('Int64')：浮点数仍带有小数（如289.5），无法等价转换为整数，触发安全检查；
• df['avg'].dtype(pd.Int64Dtype)：语法错误，dtype是Series的属性而非方法，正确用法是astype(pd.Int64Dtype())，但同样因小数问题失败；
• pd.to_numeric(df['avg']).astype('Int64', errors='ignore')：errors='ignore'会跳过无法转换的值，保留原浮点类型；
• round(df['avg'], 0)：仅修改浮点值的显示形式，并未改变数据类型，仍为float，需再次转换为Int64。

内容的提问来源于stack exchange，提问作者DChaps