如何在Pandas多类型列DataFrame中添加含Null/NaN的行且不转列类型？

我完全懂你的痛点——Pandas默认的int类型确实没法存NaN，一插就自动转成float，这对和SQL交互太不友好了，毕竟SQL里不管什么类型都能放NULL。下面给你一套完整的解决方案，既能添加指定格式的行，又能完美保留原列的类型：

核心思路 #

1. 把普通的int列转换为Pandas可空整数类型（pandas.Int64Dtype()），这种类型允许存储缺失值（用pd.NA标记）而不会自动转float；
2. object和float列本身就支持存储缺失值（object用None或pd.NA，float用NaN或pd.NA都可以），不用额外转换；
3. 构造要添加的行时，对应列赋值，其余列用对应类型的缺失值标记，最后合并到原DataFrame。

代码示例 #

先模拟你的场景，创建一个混合类型的DataFrame：

import pandas as pd
import numpy as np

# 原DataFrame：包含int、object、float类型列
df = pd.DataFrame({
    'id': [1, 2, 3],  # int类型
    'name': ['Alice', 'Bob', 'Charlie'],  # object类型
    'age': [25, 30, 35],  # int类型
    'email': ['alice@xxx.com', 'bob@xxx.com', 'charlie@xxx.com'],  # object类型
    'score': [85.5, 90.0, 78.0],  # float类型
    'address': ['NY', 'LA', 'Chicago'],  # object类型
    'phone': [123456, 789012, 345678]  # int类型
})

第一步：把所有int列转换为可空整数类型：

# 遍历列，转换int类型为Nullable Int64
for col in df.columns:
    if df[col].dtype == 'int64':
        df[col] = df[col].astype(pd.Int64Dtype())

第二步：构造要添加的行。假设我们要给每一列各加一行（共7行，每行仅1列有值）：

# 存储要添加的行
new_rows = []

# 遍历每一列，生成仅该列有值的行
for col in df.columns:
    # 初始化所有列为缺失值
    row = {c: pd.NA for c in df.columns}
    # 给当前列赋值（这里用原列的第一个值做示例，你可以换成需要的任意值）
    row[col] = df[col].iloc[0]
    new_rows.append(row)

# 转换为DataFrame
new_df = pd.DataFrame(new_rows)

第三步：合并原DataFrame和新行，保持类型不变：

# 合并数据
final_df = pd.concat([df, new_df], ignore_index=True)

# 检查列类型，确认没有被改变
print(final_df.dtypes)

关键细节说明 #

• 可空整数类型（Int64，注意首字母大写）是Pandas专门为解决int存缺失值的问题设计的，和SQL的NULL兼容性很好，写入SQL时会被正确识别为对应列的NULL；
• 构造行时用pd.NA作为统一的缺失值标记，它能兼容所有可空类型（Int64、float、object）；
• 合并时用pd.concat比append更稳妥（Pandas 2.0+已经不推荐用append了），且ignore_index=True可以重置索引避免重复。

这样处理后，你的DataFrame既能保留原列的类型，又能正确存储缺失值，和SQL交互时也不会出现类型不匹配的问题啦！

内容的提问来源于stack exchange，提问作者cardamom