pandas将object类型列转为float时全部值变为NaN是什么原因？

核心原因 #

你在代码中设置了errors='coerce'参数，该参数的作用是：当遇到无法转换为数值格式的内容时，直接将其强制替换为NaN。全列转换后都为NaN，说明原始object列的所有值都包含pandas默认无法识别为数值的内容。

常见诱因 #

• 存在隐藏特殊字符：比如首尾空格、不间断空格、换行符、制表符，或是额外附带的千位分隔符（逗号）、货币符号（¥/$）等，例如值为'1,234.56'、' 890.23 '都会被判定为非数值。
• 混入非数值占位文本：比如列中存在'--'、'无'、'缺省'这类非标准数值的占位内容。
• 数值格式不符合默认规则：比如部分地区的数值格式用逗号做小数位、点做千位分隔符，例如'1.234,56'，默认规则下无法识别。

解决步骤 #

第一步：先排查原始内容 #

打印原始列的样本值，确认存在的异常字符：

print(data['M0'].head(10).tolist())

打印结果可以直观展示每个值的原始格式，方便定位异常字符。

第二步：针对性清洗后再转换 #

场景1：存在多余符号/空格

先通过正则去掉所有非数字、非小数点的字符，再做转换：

# 清洗M0列：只保留数字和小数点
data['M0'] = data['M0'].str.replace(r'[^\d.]', '', regex=True)
# 转换为数值类型
data['M0'] = pd.to_numeric(data['M0'], errors='coerce')

场景2：小数分隔符为逗号

先替换分隔符格式，再做转换：

# 先去掉千位分隔符的点，再把小数位的逗号替换为点
data['M0'] = data['M0'].str.replace('.', '', regex=False).str.replace(',', '.', regex=False)
data['M0'] = pd.to_numeric(data['M0'], errors='coerce')

场景3：存在非数值占位符

先替换占位符为空值，再做转换：

# 把自定义占位符替换为空
data['M0'] = data['M0'].replace(['--', '无', '缺省'], '')
data['M0'] = pd.to_numeric(data['M0'], errors='coerce')

额外优化建议 #

你使用的第二种写法apply(pd.to_numeric)没有必要，pd.to_numeric本身支持直接作用于整个Series，写法和第一种一致即可，执行效率更高。

内容的提问来源于stack exchange，提问作者yash agarwal