如何避免Pandas提取单行转为Series时自动转换数据类型？

这个问题我之前也碰到过！Pandas的Series因为是一维同构结构，必须统一数据类型，所以当你从混合类型的DataFrame里提取一行转成Series时，它会自动把所有元素提升到能兼容所有类型的dtype（比如int和float就会统一成float），确实挺烦人的。下面给你几个可行的解决办法：

• 方法1：通过字典转成object dtype的Series（保留原元素类型）
  原DataFrame的每一行转成字典时，会完整保留每个元素的原始类型，再用这个字典创建一个object dtype的Series，就能完美保留各列的原始类型了：

  data = {
     "t": [1, 2, 3],
     "x": [1.7, 8.5, 4.3]
  }
  df = pd.DataFrame(data)
  
  # 提取第一行并保留原类型
  row_as_ser = pd.Series(df.iloc[0].to_dict(), dtype='object')
  print(row_as_ser)
  # 输出：
  # t    1
  # x    1.7
  # dtype: object
  print(type(row_as_ser["t"]))  # <class 'int'>，类型完全正确！
  

• 方法2：利用原DataFrame的dtype信息批量转换
  直接复用原DataFrame的列dtype配置，把提取出的Series按原类型批量转换回去，完全不用手动指定列名，适配列名多变的场景：

  row_ser = df.iloc[0]
  # 按原DataFrame的列dtype批量转换每个元素
  row_ser = row_ser.astype(df.dtypes.to_dict())
  print(row_ser["t"])  # 输出1，类型为int
  print(row_ser.dtype)  # 输出object，因为元素类型不统一
  

• 方法3：保留为单行DataFrame（不转成Series）
  如果你能接受用单行DataFrame而非Series的话，直接用df.iloc[[0]]（注意是双层方括号，返回的是DataFrame而非Series），这样所有列的dtype会和原DataFrame完全一致：

  row_as_df = df.iloc[[0]]
  print(row_as_df.dtypes)
  # 输出：
  # t      int64
  # x    float64
  # dtype: object
  # 访问元素时用 row_as_df["t"].iloc[0] 就能拿到int类型的值
  

你之前用query得到DataFrame后再取iloc[0]又转成float，就是因为这一步把DataFrame转成了Series，换成上面的方法就能完美规避类型自动转换的问题啦。

备注：内容来源于stack exchange，提问作者Damien