对DataFrame的AGE列取整时如何处理字符串值？

你遇到的问题很典型——当列里同时存在数值和字符串类型时，直接调用round()会因为字符串无法进行浮点运算而报错。这里有几种简单高效的处理方法，能帮你保留数值的三位小数，同时原封不动保留NOT KNOWN字符串：

方法1：使用pd.to_numeric + fillna（最简洁） #

这个方法先把非数值内容转为NaN，完成小数保留后再把NaN替换回目标字符串，代码非常简洁：

import pandas as pd

# 对AGE列进行处理
df['AGE'] = pd.to_numeric(df['AGE'], errors='coerce').round(3).fillna('NOT KNOWN')

• 原理拆解：pd.to_numeric(..., errors='coerce')会把无法转为数值的内容（比如NOT KNOWN）转为NaN；.round(3)对数值型数据保留三位小数；.fillna('NOT KNOWN')把之前转成NaN的字符串恢复回来。

方法2：使用布尔掩码精准筛选处理 #

如果你需要更精准地控制处理范围（比如列里有多种不同字符串标记），可以用掩码筛选出需要处理的行：

# 筛选出AGE不是"NOT KNOWN"的行
mask = df['AGE'] != 'NOT KNOWN'
# 对这些行的AGE转成float后保留三位小数
df.loc[mask, 'AGE'] = df.loc[mask, 'AGE'].astype(float).round(3)

这种方法只修改需要处理的数值行，不会影响其他字符串内容，适合复杂场景下的精准操作。

方法3：使用apply自定义逐元素逻辑 #

如果你喜欢更直观的逐元素处理方式，可以用apply配合lambda函数：

df['AGE'] = df['AGE'].apply(lambda x: round(x, 3) if isinstance(x, float) else x)

不过要注意，这种方法在数据量很大时效率会略低于前两种，小数据集使用完全没问题。

运行以上任意一种方法后，你的AGE列都会变成期望的格式：

DATE_OF_BIRTH AGE
0 1974-03-28 43.010
1 NOT KNOWN NOT KNOWN
2 1970-11-27 46.342
3 1974-05-09 42.894
4 1985-03-14 32.047

内容的提问来源于stack exchange，提问作者Stacey