Pandas中Float64与float64数据类型差异及非数值报错问题

二者核心区别 #

• float64是numpy原生的数值类型，底层基于numpy连续数组存储，缺失值用np.nan表示，np.nan本身属于浮点类型，因此整个数组所有元素都为标准浮点数值，运算效率更高，是Pandas早期默认使用的浮点类型。
• Float64（首字母大写）是Pandas推出的可空浮点类型，属于Pandas Nullable Dtype体系的成员，缺失值用Pandas专属的pd.NA表示，是专门为了解决原生numpy类型缺失值语义不统一、类型易隐式转换的问题设计的扩展类型。

为什么Float64会导致pd.interpolate等功能异常 #

目前Pandas还有大量历史API是基于numpy原生类型开发的，尚未完全适配Nullable Dtype体系。你遇到的interpolate线性插值报错就是典型的适配问题：API内部的类型校验逻辑还未更新，会将Float64、Int64这类Nullable类型判定为非数值类型，因此只支持ffill、bfill这类不需要做数值计算的填充方法，不支持linear等需要数值运算的填充逻辑。
你观察到pd.to_numeric可以识别Float64为数值类型，是因为pd.to_numeric本身已经做了Nullable类型适配，不代表所有Pandas API都完成了适配。

Float64存在的意义 #

• 统一缺失值语义：不需要再区分np.nan（浮点缺失）、pd.NaT（时间类型缺失）、None（对象类型缺失），所有可空类型的缺失值统一用pd.NA表示，判断缺失只需要调用.isna()方法即可，不会出现np.isnan作用于非浮点类型报错的问题。
• 避免类型隐式转换：原生numpy的整数类型如果包含缺失值会自动隐式转换为float64，丢失整数类型的语义，使用Nullable体系的Int64、Float64等类型可以保留原本的数值类型语义，不会出现意外的类型转换。
• 更严谨的类型约束：Nullable类型可以明确区分「允许为空的数值列」和「不允许为空的数值列」，在数据校验、ETL流程中可以做更严格的类型检查，避免脏数据进入后续计算流程。

如果需要使用未适配Nullable类型的API，可以临时转换为numpy原生类型处理，处理完成后如果需要保留可空特性再转换回来即可：

# 临时转float64做插值，完成后转回Float64
df = df.astype('float64').interpolate().astype('Float64')

内容的提问来源于stack exchange，提问作者argentum2f