为何Python round函数在pandas DataFrame与普通列表中返回值类型有差异？

为什么pandas的apply(round)返回浮点型数值？ #

当你在pandas DataFrame上调用apply(round)时，本质上是对每一列（默认按列处理）的每个元素执行round函数，但pandas会严格保持列的数据类型一致性。

你的原始DataFrame a的列类型是float64（因为初始化时用的是浮点数），哪怕round函数把数值变成了整数形式，pandas也不会自动将列的类型转换为int——这是为了避免出现类型混乱：如果后续有一个元素无法被舍入为整数（比如某个值是1.3，舍入后是1.0但仍为浮点型），整列的类型可以统一保持为浮点型，不会出现混合类型的列（pandas对混合类型的处理效率极低，还容易引发意外问题）。

如果想把结果转换成整数类型，可以显式调用astype(int)：

import pandas as pd
a = pd.DataFrame([[1.2,3.4],[1.4,4.6]])
a = a.apply(round).astype(int)

这样输出的就是整数类型的DataFrame了。

为什么round(0.5)和list(map(round, x))的行为看起来有差异？ #

其实这不是差异，而是Python的round函数遵循银行家舍入法（四舍六入五成双）的规则：当需要舍入的数字小数部分恰好是0.5时，会舍入到最近的偶数，而非我们直觉里的“四舍五入”。

咱们拆解你的例子：

• round(0.5)：0和1都是距离0.5最近的整数，这时候会选偶数0，所以结果是0。
• round(2.5)：2和3是最近的整数，选偶数2，所以在你的列表[1.4,2.5,3.6]中，2.5被舍入为2。
• round(3.6)：小数部分0.6大于0.5，直接舍入到4，符合预期。

这种舍入方式在统计场景中更公平，能避免长期舍入导致的系统性偏差，是很多编程语言的默认舍入规则。

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