Pandas将object类型货币列转int时报float无replace属性错误如何处理

错误产生原因 #

• 尽管Revenue列整体数据类型为object，但列中的空值NaN本质属于float类型，当apply遍历到NaN值时，对float类型调用字符串的replace方法，自然会触发AttributeError: 'float' object has no attribute 'replace'报错。
• 额外隐藏问题：原数据保留两位小数（如$0.00），直接处理后转int64会因小数点存在报错；同时numpy原生的np.int64类型不支持空值，未处理空值直接转换也会失败。

正确实现方案 #

推荐使用pandas内置向量化操作实现，相比逐行apply执行效率更高，且自动兼容空值：

方案1：保留空值，使用pandas支持空值的Int64类型 #

如果后续计算需要保留空值标识，使用pandas专属的Int64（首字母大写）整数类型，该类型支持缺失值：

import pandas as pd
import numpy as np

if df['Revenue'].dtype == 'object':
    # 批量移除$符号和千分位逗号，str方法自动跳过NaN值
    df['Revenue'] = df['Revenue'].str.replace(r'[$,]', '', regex=True)
    # 先转为浮点型，再转支持空值的Int64整数类型
    df['Revenue'] = pd.to_numeric(df['Revenue'], errors='coerce').astype('Int64')

方案2：空值填充为0，使用numpy标准int64类型 #

如果空值在业务中可按0处理，直接填充后转标准int64即可：

if df['Revenue'].dtype == 'object':
    df['Revenue'] = df['Revenue'].str.replace(r'[$,]', '', regex=True)
    df['Revenue'] = pd.to_numeric(df['Revenue'], errors='coerce').fillna(0).astype(np.int64)

原有apply写法的修正方案（不推荐，仅作参考） #

如果一定要沿用apply写法，只需在lambda中增加字符串类型判断，跳过空值即可：

if df['Revenue'].dtype == 'object':
    df['Revenue'] = df['Revenue'].apply(lambda x: x.replace('$','').replace(',','') if isinstance(x, str) else x)
    df['Revenue'] = pd.to_numeric(df['Revenue'], errors='coerce').astype('Int64')

内容的提问来源于stack exchange，提问作者kms