如何解决pandas处理NaT时出现cannot convert float NaN to integer报错

API 探路者

2026-8-29

报错产生原因

核心触发点是类型漂移：当你手动给DataFrame列赋值np.datetime64("NaT")时，如果目标列不是严格的datetime64[ns]类型（比如之前存过字符串、整数，dtype为object），pandas不会把整列自动转成标准时间类型，列内的NaT会以普通对象形式存储。当你逐单元格循环取值时，这类非标准存储的NaT会被自动转成float类型的NaN。而np.isnat()内部会尝试将输入转成datetime64对应的整数视图做判断，传入float NaN时无法完成到整数的转换，就会触发ValueError: cannot convert float NaN to integer报错。
np.isnat()本身的兼容范围极窄：该函数仅能识别NumPy体系下标准datetime64/timedelta64类型的NaT值，对pandas自定义扩展类型的NaT、object列里存的NaT、float类型的NaN、None值都无法正常处理，要么比较返回False识别失败，要么直接抛类型错误。
逐元素循环的写法绕开了pandas的类型保护机制：pandas的Series本身对缺失值有统一的类型标记，一旦你用循环逐个取标量值，就会脱离pandas的类型管控，标量值会自动适配成Python/NumPy原生类型，很容易出现NaT变NaN的类型漂移问题。

可行解决方案

优先用pandas原生向量化操作，从根源避免类型问题（最推荐）
先把目标列统一转成标准datetime类型，再用pandas自带的缺失值判断、填充API完成操作，全程不用手写循环，也不用调用np.isnat()，不会出现类型错误：

import pandas as pd
import numpy as np

# 第一步：把Date列转成标准datetime64类型，非法值自动转成标准NaT
df['Date'] = pd.to_datetime(df['Date'], errors='coerce')
# 第二步：计算该列众数，众数返回多个时取第一个
date_col_mode = df['Date'].mode()[0]
# 第三步：直接用fillna填充所有缺失值（自动识别所有NaT/NaN）
df['Date'] = df['Date'].fillna(date_col_mode)

若必须保留循环写法，替换判断函数
把np.isnat()替换成pandas自带的pd.isna()，该函数可以兼容所有类型的缺失值（标准NaT、float NaN、None、object类型存储的NaT），不会触发类型错误：

date_col_mode = df['Date'].mode()[0]
for idx in df.index:
    current_val = df.loc[idx, 'Date']
    # 统一用pd.isna判断缺失，不需要区分NaT/NaN类型
    if pd.isna(current_val):
        df.loc[idx, 'Date'] = date_col_mode

若必须使用np.isnat()，增加类型校验前置逻辑
调用np.isnat()前先判断传入值的类型，非datetime64类型的值走其他缺失判断逻辑，避免传入float NaN触发报错：

date_col_mode = df['Date'].mode()[0]
for idx in df.index:
    current_val = df.loc[idx, 'Date']
    is_missing = False
    # 仅当值是np.datetime64类型时才调用np.isnat
    if isinstance(current_val, np.datetime64):
        is_missing = np.isnat(current_val)
    else:
        # 其他类型统一用pd.isna判断
        is_missing = pd.isna(current_val)
    if is_missing:
        df.loc[idx, 'Date'] = date_col_mode

注意：只要列的dtype是object，就不要尝试直接做NaT值的精准判断，先转成对应标准类型再做缺失值处理，能避免90%以上的时间类型缺失值报错

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