如何将pandas DataFrame的numpy.int64转为Python原生int

报错的核心原因是pyodbc无法识别numpy封装的数值类型，需要将列的dtype转换为object类型，列内元素为Python原生int。下面是3种适配你当前版本环境的可行方案：

方案1：逐元素转换（适合10万行以下小数据量） #

直接通过apply调用Python原生int方法逐元素转换：

# 替换target_col为你需要转换的列名
df['target_col'] = df['target_col'].apply(int)

转换后列的dtype会变为object，内部元素均为原生int类型，可直接导入数据库。

方案2：列表转换（适合10万行以上大数据量） #

利用numpy数组转Python列表时自动将numpy.int64转换为原生int的特性实现高效批量转换，效率比apply高30%以上：

df['target_col'] = pd.Series(df['target_col'].to_list(), dtype='object')

方案3：to_sql导入阶段直接适配（无需提前转换数据） #

如果你使用pandas的to_sql方法导入数据库，可直接通过dtype参数指定SQL字段类型，框架会自动完成类型适配，无需提前处理DataFrame：

from sqlalchemy import create_engine, Integer

# 初始化数据库连接引擎（替换为你自己的连接字符串）
engine = create_engine('mssql+pyodbc://user:password@dsn_name')

# 导入时指定目标列的类型为SQL整型
df.to_sql(
    name='你的表名',
    con=engine,
    if_exists='append',
    index=False,
    # 所有需要适配的整数列都可以在这里指定类型
    dtype={
        'target_col': Integer()
    }
)

注意事项 #

• 转换前需确认目标列无NaN空值，否则转int会抛出异常，空值可先通过df['target_col'] = df['target_col'].fillna(0)填充默认值后再处理。
• 需要批量转换多列时可直接遍历处理：

# 替换为你需要转换的所有整数列名
int_cols = ['col1', 'col2', 'col3']
for col in int_cols:
    df[col] = df[col].apply(int)

内容的提问来源于stack exchange，提问作者chic9009