将DataFrame列转换为Integer类型并删除非整数类型行的实现方案

以下基于pandas库操作，假设你需要处理的目标列名为target_col：

基础实现（仅排除无法转为数值的内容） #

• 第一步：将目标列内容转为数值类型，无法转换的内容会自动设为NaN

import pandas as pd

df['target_col'] = pd.to_numeric(df['target_col'], errors='coerce')

• 第二步：删除目标列为NaN的行，同时将剩余内容转为整数类型

# 这里使用Int64类型（大写I）是pandas支持空值的整数类型，无空值可替换为小写int
df = df.dropna(subset=['target_col']).astype({'target_col': 'Int64'})

严格实现（同时排除取值为非整数的浮点数，如2.5、3.7等） #

如果需要过滤掉小数部分非0的数值，仅保留本身为整数的内容，可以调整过滤逻辑：

import pandas as pd

df['target_col'] = pd.to_numeric(df['target_col'], errors='coerce')
# 同时过滤NaN和小数部分不为0的行
df = df[df['target_col'].notna() & (df['target_col'] % 1 == 0)].astype({'target_col': 'Int64'})

测试用例 #

你可以用以下测试数据验证效果：

# 原始测试数据
df = pd.DataFrame({'target_col': ['1', '2.5', '3', 'abc', 4.0, 5.7, None]})
# 执行上述严格实现代码后，剩余行的target_col值为1、3、4，类型为Int64

注意：如果你的原始数据处理后仍存在空值，必须使用Int64类型，小写int不支持列中存在空值，会强制转为float类型。

内容的提问来源于stack exchange，提问作者B2A3R9C9A