Pandas读取Excel时一列原生Python数值一列全为numpy.float64的咨询

问题根因 #

Pandas读取Excel时会对每一列自动做类型推断，这是主、客队列类型差异的核心原因：

• 主队列HOME同时包含整数值（如342、232）和小数值（如0.5652、26.3），无法用统一的数值dtype（int64无法存储小数，float64存储会丢失原生int类型特性）承载，因此Pandas自动将列设置为object类型，直接存储Python原生的int、float对象，输出时就表现为原生混合类型。
• 客队列AWAY被Pandas推断为纯float64数值列，底层由同类型numpy数组统一存储，因此所有元素均为numpy.float64类型——哪怕值是整数形态（如339.0），也会被存为浮点值，没有整数对应原生int的匹配逻辑。

具体实现步骤 #

在现有处理流程的dropna()操作后，对AWAY列做逐值类型转换，让整数值匹配原生int、小数值匹配原生float即可，转换逻辑和主队列完全对齐：

1. 定义通用的数值类型转换函数：

   def to_native_num(x):
       # 兼容各类numpy数值类型输入
       if isinstance(x, np.number):
           val = float(x)
           # 整数值（如339.0）转原生int，带小数的值转原生float
           return int(val) if val.is_integer() else val
       return x
   

2. 对客队列应用转换：

   new_teams_df['AWAY'] = new_teams_df['AWAY'].apply(to_native_num)
   

效果验证 #

转换完成后重新运行原有测试代码即可看到：

• to_dict()输出的客队列中，原本的339.0会变为整数339、0.5这类小数值保持原有浮点形态
• 逐元素类型检查时，整数值位置的类型为Python原生<class 'int'>，小数值位置的类型为Python原生<class 'float'>，和主队列的表现完全一致。

注意事项 #

• 不要直接对客队列调用astype(object)：该操作仅会把numpy.float64对象包装为object类型，底层元素依然是numpy.float64，无法得到Python原生的int/float类型。
• 不要直接对客队列调用astype(int)：会截断0.5、37.7这类小数值的小数部分，造成统计数据精度丢失。
• 可选择的前置优化：如果希望减少读取后的转换开销，可在pd.read_excel()阶段直接指定两列的读取dtype为object，避免Pandas提前推断为float64：

  teams_df = pd.read_excel(
      "STATS.xlsm", 
      skiprows=8, 
      nrows=12, 
      usecols=[0,2],
      dtype={0: object, 2: object}
  )
  

  注：该方式仅能避免Pandas的自动类型推断，如果Excel单元格本身将整数设置为浮点格式（带.0后缀），依然需要通过前述逐值转换逻辑做类型匹配。

内容的提问来源于stack exchange，提问作者RickPeck