Polars类型转换困惑：默认strict=True时浮点数被静默截断为整数却未触发报错，与文档描述不符？

我完全懂你的困惑！刚接触Polars类型转换时，我也被这个点绕晕过——文档说strict=True会对无法转换的值报错，但浮点数带小数部分转整数时明明“损失了精度”，却没触发任何错误，甚至文档里的示例也这么干了。

其实这里的核心是Polars对“无法转换”的定义和我们直觉里的“不能损失精度”不一样。strict=True参数阻止的是那些完全无法完成类型映射的情况，而不是“转换会丢失信息”的情况：

• 比如把字符串"abc"转整数，或者把NaN/Infinity这样的特殊浮点数转整数，这些属于完全无法转换，strict=True会报错；
• 但像5.8这样的普通浮点数，Polars认为它是可以“合法转换”为整数的——转换规则就是截断小数部分，这属于Polars内置的预期行为，哪怕strict=True也不会触发错误。

你看文档里的那个例子，5.8被截断为5，这完全符合Polars的转换逻辑——它不认为这是“转换失败”，只是按照既定规则完成了类型转换而已。

我们可以做个小测试来区分两种情况：

import polars as pl

df = pl.DataFrame({
    "floats": [5.0, 5.8, float("nan"), float("inf")]
})

# 普通带小数的浮点数转int，strict=True（默认）不会报错，直接截断
print(df.with_columns(pl.col("floats").cast(pl.Int32).alias("truncated")))

# 但如果是NaN/Inf转int，strict=True就会报错
try:
    df.with_columns(pl.col("floats").cast(pl.Int32, strict=True).alias("failed"))
except Exception as e:
    print(f"报错内容：{e}")

如果你想要实现“只有整数型浮点数（比如5.0）才能转整数，带小数的就报错”的逻辑，Polars没有直接的参数支持，需要自己手动加校验：

# 先检查浮点数是否为整数，再转换
df.with_columns(
    pl.when(pl.col("floats").is_integer())
      .then(pl.col("floats").cast(pl.Int32))
      .otherwise(pl.lit(None))  # 或者抛出错误
      .alias("safe_cast")
)

# 或者用自定义函数抛出错误
def safe_cast_to_int(series):
    non_integer_mask = ~series.is_integer()
    if non_integer_mask.any():
        raise ValueError(f"无法转换非整数值：{series.filter(non_integer_mask).to_list()}")
    return series.cast(pl.Int32)

df.with_columns(safe_cast_to_int(pl.col("floats")).alias("safe_cast"))

简单来说，文档里的“无法转换”指的是类型层面的不可行，而不是“精度损失”。如果需要严格避免截断，得自己额外做校验逻辑。

备注：内容来源于stack exchange，提问作者Max Power