Python如何实现类似SQL Server的ISNUMERIC功能修正pandas错位数据

• 误用Python内置关键字type作为列引用，没有正确指定prod表的type列，需写为prod['type']
• np.isnumeric()不支持直接作用于pandas Series对象，需使用pandas自带的字符串方法.str.isnumeric()做整列数值判断
• 存在语法错误：代码括号未配对闭合，运行时会直接触发语法报错

核心判断逻辑：错位行的特征为type列填充了本应属于quantity列的数值，只要type列值为数值即判定为错位，交换两列值即可。

基础版本（仅判断正整数场景） #

如果你的quantity列存储的都是正整数，可直接使用.str.isnumeric()实现：

import pandas as pd
import numpy as np

# 生成错位判断标记，fillna(False)用于规避空值返回NaN导致判断异常
is_misplaced = prod['type'].str.isnumeric().fillna(False)

# 同时给两列赋值完成交换，无需额外备份原始值
prod['quantity'], prod['type'] = np.where(
    is_misplaced,
    (prod['type'], prod['quantity']),
    (prod['quantity'], prod['type'])
).T

通用版本（兼容带小数点、负号的数值场景） #

.str.isnumeric()仅能识别正整数，如果你需要和SQL Server的ISNUMERIC()效果一致，支持判断带小数点、负号的数值，可使用自定义判断函数：

def is_numeric(val):
    try:
        float(val)
        return True
    except (ValueError, TypeError):
        return False

# 生成错位判断标记
is_misplaced = prod['type'].apply(is_numeric)

# 赋值修正
prod['quantity'], prod['type'] = np.where(
    is_misplaced,
    (prod['type'], prod['quantity']),
    (prod['quantity'], prod['type'])
).T

易读版本（分开赋值逻辑） #

如果觉得上面的同时赋值写法不好理解，可分开赋值，注意要先备份原始列值避免覆盖：

# 备份原始值
original_quantity = prod['quantity'].copy()
original_type = prod['type'].copy()

# 生成判断标记
is_misplaced = prod['type'].apply(is_numeric)

# 分别修正两列
prod['quantity'] = np.where(is_misplaced, original_type, original_quantity)
prod['type'] = np.where(is_misplaced, original_quantity, original_type)

内容的提问来源于stack exchange，提问作者Ren Cantu