如何在Pandas中将列转为数值型且保留转换失败的列

针对你有两百多列、手动处理太麻烦的场景，这里有几个高效的自动转换方案，既能把能转成数值的列批量转换，又不会破坏无法转换的列：

方法一：一键自动转换（最简便） #

直接用apply结合pd.to_numeric，并设置errors='ignore'参数，这个参数会让Pandas跳过那些无法转换为数值的列，只处理能转的：

import pandas as pd

# 假设你的DataFrame名为df
df = df.apply(pd.to_numeric, errors='ignore')

执行后，所有可以被解析为数值的列会自动变成int64或float64类型，而包含非数值内容的列会保持原来的object类型，完全不需要手动指定列名。

方法二：处理含少量非数值的列（灵活版） #

如果有些列里偶尔存在非数值内容（比如输入错误的字符串、用"NA"表示的缺失值），你可以先把这些无效值转为NaN，再选择性保留那些大部分是数值的列：

# 先创建一个临时DataFrame，无法转换的内容转为NaN
temp_df = df.apply(pd.to_numeric, errors='coerce')

# 筛选出非缺失值占比超过90%的列（比例可以自己调整）
numeric_cols = temp_df.columns[temp_df.notna().mean() > 0.9]

# 把这些列替换回原DataFrame
df[numeric_cols] = temp_df[numeric_cols]

这种方式适合那些原本应该是数值型，但混入了少量无效内容的列，既保留了有效数值，又不会因为个别错误导致整列无法转换。

关于你之前手动转换出错的原因 #

你手动指定列转换时出现错误，大概率是因为目标列里存在无法被解析为数值的内容（比如文本字符串、特殊符号）。用上面的方法，errors='ignore'会自动跳过这些列，errors='coerce'会把无效值转为缺失值，都能避免报错。

内容的提问来源于stack exchange，提问作者zesla