pandas读取CSV文件时如何让int64类型列的空值正常使用null

• 报错来自两类配置的直接冲突：
  1. 配置项keep_default_na=False会把CSV中所有空单元格直接读取为字符串''，不会自动转换为pandas的缺失值对象
  2. 给整数类列指定的np.int64是原生numpy整数类型，本身不支持存储空值，遇到空字符串字面量时无法完成类型转换，直接抛出invalid literal for int() with base 10: ''错误

方案1：替换为支持空值的整数类型（最小改动） #

只需要调整之前的类型推断分支，把原生np.int64替换为pandas专门提供的可空整数类型pd.Int64Dtype()（注意首字母大写，该类型原生支持存储空值，和numpy整数的行为完全兼容）。
修改后的核心代码片段：

# 原整数类型判断分支
if col_type[3] == '0':
    inferred_types[col] = np.int64
else:
    inferred_types[col] = np.float64

# 修改为可空整数类型
if col_type[3] == '0':
    inferred_types[col] = pd.Int64Dtype()
else:
    inferred_types[col] = np.float64

该方案不需要修改keep_default_na=False的配置，pandas在识别到目标列的dtype为可空类型时，会自动把空字符串转换为对应类型的缺失值，不会在读取阶段抛错

方案2：全字符串读入后批量做类型转换（最兼容全空列场景） #

适配“数据集规模不大、性能非优先考量”的场景，先把所有列读为字符串类型规避读取阶段的类型转换错误，再统一替换空值、完成类型转换：

# 第一步：仅读列名推断类型（保留原有推断逻辑）
columns = pd.read_csv(
    file_name + '.csv', 
    header=0, 
    index_col=1, 
    keep_default_na=False, 
    nrows=0
).columns
# （保留原有inferred_types类型推断逻辑，无需改动）
inferred_types = {}
# ... 原有类型推断的循环逻辑保持不变 ...

# 第二步：全列读为字符串，避免空值触发转换错误
raw_df = pd.read_csv(
    file_name + '.csv',
    header=0,
    index_col=1,
    keep_default_na=False,
    dtype=str
)
# 第三步：把所有空字符串替换为pandas可识别的缺失值
raw_df = raw_df.replace('', pd.NA)
# 第四步：按照之前推断的类型完成批量转换
df = raw_df.astype(inferred_types)

该方案不管列是部分空、还是全空，都不会在读取阶段触发类型转换错误，逻辑上最稳妥

方案3：全空列的兜底类型配置 #

可以在读取阶段增加判断逻辑：如果列没有任何有效数据（全空），就跳过硬类型指定，直接设置为字符串类型，避免无效转换报错。
补充说明：代码中使用的squeeze=True参数在pandas 2.0+版本中已被废弃，后续可根据需要替换对应写法，避免触发版本警告

内容的提问来源于stack exchange，提问作者AssenD