如何将DataFrame指定列中小数位数超1位的数值替换为nan并转整型

前置依赖 #

首先导入需要的依赖库：

import pandas as pd
import numpy as np

步骤1：清理无效浮点数值 #

假设待处理的DataFrame名为df，要处理的目标列名为target_col，执行以下代码完成过滤：

df['target_col'] = df['target_col'].where(
    (df['target_col'] > 0) & (df['target_col'] % 1 == 0),
    other=np.nan
)

逻辑说明 #

• df['target_col'] > 0 筛选所有正数值，自动排除负数
• df['target_col'] % 1 == 0 筛选小数部分为0的数值，也就是以.0结尾的有效数值，自动过滤存在其他小数位的垃圾值
• 不符合两个条件的数值会被统一替换为np.nan
• 如果你的数据存在浮点精度误差（比如实际应为100.0的数值被存储为100.0000000001），可以将第二个判断条件替换为np.isclose(df['target_col'] % 1, 0)，避免误判。

步骤2：转换为整型 #

由于Python原生int类型不支持空值，这里使用pandas提供的可空整型Int64（首字母大写）完成类型转换：

df['target_col'] = df['target_col'].astype('Int64')

转换后列中有效数据为整型，空值为pandas兼容的pd.NA，不会出现类型报错。

测试验证 #

你可以用以下代码验证效果，输入就是你给出的示例数据：

test_data = [129.0, np.nan, 100.0, 87.0, 40.0, 344.992, 130.0, 101.0, 227.0, 147.0, 190.0, 83.0, -144.63542183979368]
df = pd.DataFrame({'target_col': test_data})

# 执行清理
df['target_col'] = df['target_col'].where((df['target_col'] > 0) & (df['target_col'] % 1 == 0), np.nan)
# 转换类型
df['target_col'] = df['target_col'].astype('Int64')

print(df['target_col'])

输出结果和你预期的完全一致。

内容的提问来源于stack exchange，提问作者Gaurav D Verma