如何将含Decimal类型的DataFrame转为float？解决quantile方法失效问题

核心问题拆解 #

你遇到的问题是pandas.DataFrame.quantile()方法不支持Python的Decimal类型，旧的convert_objects(convert_numeric=True)已被弃用，而infer_objects()又无法自动将Decimal转换为数值类型。下面给你几个可行的解决方案：

方案1：显式转换Decimal列为数值类型（替代弃用的convert_objects） #

既然infer_objects()对Decimal无效，我们可以显式地将每一列的Decimal值转换为float或numpy.float64，这是让quantile()正常工作的直接方法：

# 对整个DataFrame的object列（存储Decimal）批量转换
df = df.apply(lambda col: pd.to_numeric(col, errors='coerce'))
# 或者针对特定列单独转换
df['target_col'] = df['target_col'].apply(lambda x: float(x))

• pd.to_numeric会自动识别Decimal并转换为合适的数值类型，errors='coerce'参数可以处理转换失败的情况（返回NaN），避免程序报错。
• 这个方法没有弃用警告，是官方推荐的类型转换方式。

方案2：提前用round代替Decimal类型（适配你的索引列减法场景） #

你提到的用DataFrame.round()替代Decimal类型的方案，在索引列直接减法比较的场景下确实是安全的，原因如下：

• 如果你的业务只需要固定小数位数的精度，round(n)可以将浮点数保留n位小数，完全避开Decimal带来的类型兼容问题。
• 索引列的减法操作（比如df1.index - df2.index）在相同精度的浮点数下，直接比较结果不会有精度偏差（只要你的round位数足够覆盖业务需求）。

不过要注意：如果后续有高精度计算需求，浮点数的精度限制可能会有影响，但针对你当前的quantile()和索引减法场景，这个方案完全可行。

为什么infer_objects()无效？ #

infer_objects()的设计目标是将object类型的列推断为更具体的数值类型（比如把存储为字符串的整数转成int），但它不会主动将Python的Decimal对象转换为pandas的数值类型——因为Decimal是独立的Python类型，不属于pandas默认的数值体系，所以必须显式转换。

内容的提问来源于stack exchange，提问作者Nan Lin