pandas DataFrame转列表时如何避免int64变float、保持数据类型完整性

问题原因 #

pandas 原生的 int64 数据类型不支持缺失值 NaN，如果你的 DataFrame 中原本为 int 类型的列存在显性/隐性的缺失值，pandas 会自动将整列的类型向上转型为 float64 来兼容 NaN，就算你肉眼观测不到缺失值，也可能是数据导入、合并、切片等操作过程中触发了自动类型转换。
另外你调用的 df.values 会返回 numpy 数组，numpy 在处理存在类型歧义的列时也会触发类型提升，转列表后会保留 float 格式，最终导致插入 Oracle 时类型不匹配。

解决方法 #

• 先确认列的实际类型，执行 print(df['目标列名'].dtype) 检查转换前的列类型是否已经被转为 float：
  • 允许填充缺失值的场景：直接填充缺失值后手动转回 int 类型，示例代码：

    df['目标列名'] = df['目标列名'].fillna(0).astype('int64')
    

  • 需要保留缺失值的场景：使用 pandas 支持空值的 nullable 整数类型 Int64（首字母大写），既能保留 NaN 也能保证整数语义：

    df['目标列名'] = df['目标列名'].astype('Int64')
    

• 更换转列表的实现方式，避免 values 带来的类型强制转换：

  # 用itertuples逐行读取，保留原始类型
  df_list = [list(row) for row in df.itertuples(index=False)]
  

• 针对插入 Oracle 的场景，更推荐直接用 to_sql 方法写入，不用手动转列表，通过指定 dtype 映射直接对齐数据库字段类型，完全避免类型错乱问题，示例代码：

  from sqlalchemy import types
  # 按Oracle表的实际字段类型定义映射关系
  dtype_mapping = {
      'int类型列名': types.NUMERIC(precision=10, scale=0),
      '字符串列名': types.VARCHAR(length=255),
      # 其他列按需补充
  }
  df.to_sql(
      name='目标Oracle表名',
      con=你的数据库连接实例,
      if_exists='append',
      index=False,
      dtype=dtype_mapping
  )
  

内容的提问来源于stack exchange，提问作者Alex