你碰到的问题本质上是两个核心点：一是**column_a中存在无法直接转为浮点数的字符串值**，二是对pd.to_numeric的用法理解有偏差——它只能处理一维数据（比如单个Series、列表），直接传入整个DataFrame肯定会触发TypeError。下面一步步给你解决思路：

1. 先定位column_a里的异常字符串 #

首先得搞清楚到底是哪些字符串导致转换失败，用pd.to_numeric单独处理column_a，把无法转换的内容标记为NaN，然后筛选出来查看：

# 临时转换column_a，无法转数值的设为NaN（建议先复制原数据避免修改源数据）
temp_df = input_df.copy()
temp_df['column_a'] = pd.to_numeric(temp_df['column_a'], errors='coerce')
# 打印出所有包含NaN的行，查看原始异常值
print(temp_df[temp_df['column_a'].isna()])

常见的异常情况包括：空字符串、用逗号代替小数点的数值（比如"123,45"）、带单位的文本（比如"56.7kg"）或者其他无关字符。

2. 针对异常值做数据清洗 #

根据你找到的异常类型，做对应的清洗：

• 如果是逗号代替小数点：

  input_df['column_a'] = input_df['column_a'].str.replace(',', '.').astype(float)
  

• 如果是空字符串/无效文本，可以选择填充默认值或者删除对应行：

  # 方案1：用0填充无效值
  input_df['column_a'] = pd.to_numeric(input_df['column_a'], errors='coerce').fillna(0)
  # 方案2：删除包含无效值的行
  input_df = input_df.dropna(subset=['column_a'])
  

3. 统一转换并应用公式 #

当column_a的问题解决后，你可以先把整个DataFrame的数值列都转为浮点型，再应用你的转换函数：

# 遍历所有列，统一转换为数值型，无效值设为NaN
for col in input_df.columns:
    input_df[col] = pd.to_numeric(input_df[col], errors='coerce')

# 应用转换公式，跳过NaN值
transformed = input_df.applymap(lambda x: x / 0.65 if pd.notna(x) else x)

关于索引的疑问 #

你怀疑索引是问题根源？其实不用担心——applymap只会作用于DataFrame的单元格值，索引是独立的结构，不会影响数值运算，所以报错肯定和索引无关，就是column_a里的字符串导致的。

内容的提问来源于stack exchange，提问作者Geodatsci