pandas填充timestamp64类型列缺失值报TypeError问题咨询

math.isnan() 仅支持判断实数类型的空值，你的year_of_release列是timestamp64类型，非空行存储的是pandas的Timestamp对象，传入math.isnan()时就会触发TypeError: must be real number, not Timestamp错误。
另外你写的get_year函数存在笔误：循环内定义的变量是小写i，返回时写成了大写I，运行时会触发NameError，需要一并修正。

不需要写逐行apply的判断函数，pandas原生的fillna()方法专门用于缺失值填充，是向量化实现，性能远高于逐行apply，也不会出现类型判断错误。
首先修正年份提取函数的笔误：

import re
import pandas as pd

def get_year(row):
    regex = r"\d{4}"
    match = re.findall(regex, row)
    for i in match:
        year = int(i)
        if 1970 < year < 2017:
            return year

gaming['years_from_titles'] = gaming['name'].apply(lambda x: get_year(str(x)))

再做类型统一后直接填充缺失值：

# 将提取到的年份转换为和原列一致的时间戳类型，避免列类型混乱
gaming['years_from_titles'] = pd.to_datetime(gaming['years_from_titles'], format='%Y')
# 用提取到的年份填充原列的缺失值
gaming['year_of_release'] = gaming['year_of_release'].fillna(gaming['years_from_titles'])

如果坚持用自定义逐行函数的逻辑，需要把空值判断方法替换为pandas自带的pd.isna()，该方法兼容所有pandas支持的数据类型，不会触发类型错误：

def year_row(row):
   if pd.isna(row['year_of_release']):
      return row['years_from_titles']
   else:
      return row['year_of_release']

gaming['year_of_release'] = gaming.apply(year_row, axis=1)
# 最后统一转换列类型为时间戳
gaming['year_of_release'] = pd.to_datetime(gaming['year_of_release'])

• 判断pandas数据的空值时，优先使用pd.isna()/pd.notna()，不要用math.isnan()或np.isnan()，后两者仅支持数值类型，传入时间、字符串等类型值时会触发类型错误。
• 所有能用pandas原生向量化方法实现的操作，都不要用apply(axis=1)逐行处理，前者性能是后者的几十到上百倍，数据量越大差距越明显。

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