我来帮你分析下这个问题，顺便给你几个靠谱的解决办法：

问题核心原因 #

你遇到的关键问题是Pandas的at方法会严格遵循原列的数据类型。你的Year列一开始是整数类型（int），哪怕你计算出了浮点数结果，用at赋值回去的时候，Pandas会自动把浮点数强制转换为整数（直接截断小数部分），所以你看到的结果还是整数，而非预期的浮点型。

举个实际的例子：如果计算出来的标准化值是-1.3，因为原列是int类型，at会直接把它转成-1，也就出现了你输出里的整数结果。

可行解决方案 #

给你三种方案，优先推荐第二种，最贴合Pandas的最佳实践：

1. 先转换列类型再执行标准化

在循环操作前，先把Year列转换成浮点型，确保赋值时能保留小数：

import pandas as pd
import numpy as np
male100 = pd.read_csv('data/male100.csv', header = 0)

# 先将Year列转为浮点型
male100['Year'] = male100['Year'].astype(float)

# 再执行原有标准化逻辑
time_mean = male100['Time'].mean()
time_std = male100['Time'].std()
year_mean = male100['Year'].mean()
year_std = male100['Year'].std()
elem_nb = male100.shape[0]
for i in range(elem_nb):
    male100.at[i, 'Year'] = male100.at[i, 'Year'] - year_mean
    male100.at[i, 'Year'] = male100.at[i, 'Year'] / year_std

print(male100)

2. 用向量化操作替代循环（强烈推荐）

Pandas最擅长向量化运算，不仅代码简洁，运行效率比循环高得多，还能自动处理类型转换：

import pandas as pd
import numpy as np
male100 = pd.read_csv('data/male100.csv', header = 0)

# 直接对整列执行标准化，一步到位
male100['Year'] = (male100['Year'] - male100['Year'].mean()) / male100['Year'].std()
# Time列的标准化也可以用同样的方式
male100['Time'] = (male100['Time'] - male100['Time'].mean()) / male100['Time'].std()

print(male100)

这种方式下，运算结果是浮点数，Pandas会自动将Year列的类型调整为float64，完全不需要手动处理类型问题。

3. 改用loc赋值（不推荐，但可行）

如果你一定要保留循环逻辑，可以把at换成loc，配合提前转换列类型：

male100['Year'] = male100['Year'].astype(float)
for i in range(elem_nb):
    male100.loc[i, 'Year'] = (male100.loc[i, 'Year'] - year_mean) / year_std

验证效果 #

执行修改后的代码后，你可以用print(male100.dtypes)查看列类型，会发现Year列已经变成float64，输出结果也会显示完整的小数部分。

内容的提问来源于stack exchange，提问作者Pierre P.