如何用Pandas将CSV中货币格式字段转浮点并在透视表求和

嘿，我之前也碰到过一模一样的坑！带$、逗号的货币格式确实会让Pandas识别成字符串，导致透视表求和时出现混乱（比如变成字符串拼接或者统计错误）。给你几个简单直接的处理方法，亲测好用：

方法一：分步替换+类型转换（最直观） #

如果你的货币列格式比较规整（比如都是$1,234.56这种），可以直接用字符串替换去掉$和逗号，再转成浮点型：

import pandas as pd

# 读取CSV文件
df = pd.read_csv('your_source_data.csv')

# 处理货币字段（假设列名为'Currency_Column'）
# 先去掉$符号，再去掉千分位逗号，最后转成float类型
df['Currency_Column'] = df['Currency_Column'].str.replace('$', '', regex=False) \
                                              .str.replace(',', '', regex=False) \
                                              .astype(float)

这里加regex=False是为了避免正则表达式的转义问题，处理速度也更快，适合格式统一的场景。

方法二：正则批量替换+容错转换（更健壮） #

如果数据里可能存在一些格式异常（比如空值、不规则符号），可以用正则一次清理所有非数字/负号/小数点的字符，再用pd.to_numeric做容错转换：

# 用正则去掉$、逗号等非数值相关符号，再转成数值，无法转换的设为NaN
df['Currency_Column'] = pd.to_numeric(
    df['Currency_Column'].str.replace(r'[\$,]', '', regex=True),
    errors='coerce'
)

errors='coerce'会把那些无法转换的异常值变成NaN，方便你后续用df.dropna()或者df.fillna(0)处理。

处理完后再做透视表 #

等货币字段转成浮点型之后，再运行你的透视表代码，求和就会正常工作了：

# 示例透视表代码（替换成你的行列字段）
pivot = pd.pivot_table(
    df,
    values='Currency_Column',  # 现在是浮点型，求和正常
    index='Row_Field',
    columns='Column_Field',
    aggfunc='sum'
)

另外补充一句：如果你的货币值有负号（比如-$50.00），上面的方法都会保留负号，不影响数值转换~

内容的提问来源于stack exchange，提问作者CJC2104