pandas读取csv时如何将含NaN的浮点数列转换为整数类型

解决方案 #

方案1：使用Pandas可空整数类型（推荐，保留空值语义）

Pandas 0.24及以上版本提供了大写开头的Int64可空整数类型，支持同时存储整数和空值，不需要修改原始数据的空值逻辑，完美适配需求。
你可以在读取CSV时直接指定类型：

import pandas as pd

df = pd.read_csv(
    "你的文件路径.csv",
    dtype={
        "RequestCount": "Int64",
        "ScheduledCount": "Int64",
        "PerformedCount": "Int64"
    }
)

如果已经读取完数据，也可以单独对目标列做类型转换：

# 单个列转换
df["RequestCount"] = df["RequestCount"].astype("Int64")
df["PerformedCount"] = df["PerformedCount"].astype("Int64")

# 批量转换所有float类型的数值列
float_cols = df.select_dtypes(include="float64").columns
df[float_cols] = df[float_cols].astype("Int64")

注意：Int64首字母为大写，和原生不支持空值的int64（小写i）做区分，该类型下的空值会统一为pd.NA，整数运算逻辑不受影响，不会自动转为float类型。

方案2：填充空值后转普通int（适合业务允许空值设默认值的场景）

如果业务要求不能存在空值，需要给空值设置默认值（比如0、-1等业务约定值），可以先填充空值再做类型转换：

# 空值填充为0后转int
df["RequestCount"] = df["RequestCount"].fillna(0).astype(int)
df["PerformedCount"] = df["PerformedCount"].fillna(0).astype(int)

如果需要批量处理所有数值列：

float_cols = df.select_dtypes(include="float64").columns
df[float_cols] = df[float_cols].fillna(0).astype(int)

内容的提问来源于stack exchange，提问作者Aman Raheja