为何带NaN回退的Python int类型转换无法被NumPy向量化

np.vectorize本质是带广播能力的Python循环封装，并非真正的编译级向量化实现，它的核心机制是：如果不显式指定输出类型，会拿输入数组的第一个元素跑一次自定义函数，用这次返回值的类型推断整个输出数组的dtype，这就是你遇到报错的直接原因。

• 传入全整数数组时，第一个元素执行函数返回Python int类型，np.vectorize就会把输出数组的dtype设为整数型，所有元素都返回int时组装数组正常。
• 数组中混入3.55或NaN时，自定义函数对这些无效值返回np.nan（浮点类型），但整数型NumPy数组不支持存储NaN，组装数组阶段就会抛出ValueError: cannot convert float NaN to integer。

你之前观察到的两个报错栈位置不同，对应两类完全不同的错误：

• 直接用np.vectorize(lambda val: int(val))传入含NaN的数组时报错，发生在函数执行阶段：int(np.nan)本身是非法操作，调用lambda时就会抛出错误，对应报错栈的outputs = ufunc(*inputs)行。
• 自定义转换函数传入3.55/NaN时的报错，发生在结果组装阶段：函数已经对所有元素执行完毕拿到了返回值（部分是int、部分是np.nan），只是因为推断出的输出dtype是整数型，无法容纳NaN才抛错，对应报错栈的res = asanyarray(outputs, dtype=otypes[0])行。
• 而np.vectorize(lambda val: int(val))传入含3.55的数组能正常运行，是因为这个lambda对所有元素都返回int类型，输出dtype固定为整数型，3.55被int()截断为3符合类型要求，自然不会报错。

方法1：显式指定输出类型（改动最小） #

调用np.vectorize时通过otypes参数显式指定输出为浮点型，即可兼容整数有效值和NaN：

import numpy as np
func = lambda val: int(val) if float(val).is_integer() else np.nan
# 指定输出类型为float，支持存储NaN
vec_func = np.vectorize(func, otypes=[float])

print(vec_func(np.array([1, 2, 3, 4])))        # [1. 2. 3. 4.]
print(vec_func(np.array([1, 2, 3, 3.55])))     # [ 1.  2.  3. nan]
print(vec_func(np.array([1, np.nan, 3, 3.55])))# [ 1. nan  3. nan]

如果后续需要纯整数类型，可以先把NaN替换为业务约定的无效ID占位值（比如-1）再转换，或者用Pandas的可空整数类型Int64存储带缺失值的整数。

方法2：用原生NumPy操作实现真向量化（性能最优） #

np.vectorize本身没有任何性能提升，和列表推导速度差不多，直接用NumPy内置的向量化操作处理，性能会高1~2个量级：

arr = np.array([1, np.nan, 3, 3.55])
# 生成有效值掩码：不是NaN，且小数部分为0
valid_mask = ~np.isnan(arr) & (np.mod(arr, 1) == 0)
# 初始化全为NaN的浮点结果数组
res = np.full(arr.shape, np.nan, dtype=float)
# 填充有效值
res[valid_mask] = arr[valid_mask].astype(int)

print(res) # [ 1. nan  3. nan]

内容的提问来源于stack exchange，提问作者mosegui