如何在Pandas中将指定列导入为float64并处理多小数点转换报错？

报错中的字符串4.131.460包含两个小数点，无法被Pandas默认逻辑解析为浮点数。这类格式一般是将点作为千位分隔符使用，仅最后一个小数点为真正的小数位标识，属于非标准数值格式，直接强制转换类型必然触发解析错误。

• 读取数据阶段绕开类型转换报错：不要在导入时指定目标列为浮点型，先将目标列按字符串类型加载，避免读入阶段直接中断。示例代码：

  import pandas as pd
  # 将目标列（示例列名为target_col）指定为字符串类型读入
  df = pd.read_csv("数据集文件路径.csv", dtype={"target_col": str})
  

• 批量清洗目标列的数值字符串：核心逻辑是保留字符串内最后一个小数点，删除其余位置的小数点，适配千位分隔符为点的格式场景。
  清洗函数实现：

  def normalize_numeric_str(raw_str: str) -> str:
      # 定位字符串中最后一个小数点的位置
      last_dot_pos = raw_str.rfind('.')
      # 若字符串不含小数点，直接返回原内容
      if last_dot_pos == -1:
          return raw_str
      # 去掉整数部分所有多余的小数点，拼接小数部分
      cleaned_int_part = raw_str[:last_dot_pos].replace('.', '')
      cleaned_dec_part = raw_str[last_dot_pos:]
      return cleaned_int_part + cleaned_dec_part
  # 对目标列批量应用清洗逻辑
  df["target_col"] = df["target_col"].apply(normalize_numeric_str)
  

  格式转换效果举例：原始值4.131.460经过清洗后变为4131.460，符合浮点数的字符串格式要求。
• 转换为目标float64类型：

  df["target_col"] = df["target_col"].astype("float64")
  

• 该清洗逻辑不会破坏正常格式的数值：对于不含小数点的整数字符串、仅含一个小数点的合规浮点数字符串，函数返回值与原始内容完全一致，不会引入格式错误。
• 若列中夹杂无法解析的脏数据、空值，可将直接类型替换的步骤替换为带异常捕获的转换逻辑，将无法识别的内容转为空值避免中断：

  df["target_col"] = pd.to_numeric(df["target_col"], errors="coerce").astype("float64")
  

内容的提问来源于stack exchange，提问作者Michel Soares