Pandas从CSV读取DataFrame后，函数内使用astype/apply修改列类型无效的问题求助

我遇到了一个挺费解的问题，想请大家帮忙分析下原因。我写了个函数用来处理CSV数据：这个CSV里既有字符串（分类类）列，也有数值列，我的需求是保留第一列的原始类型，把从第二列开始的所有列转成数值类型——如果遇到无法转成数值的字符串，就把它设为NaN，所以用了pd.to_numeric加errors='coerce'参数。

最开始我是这么写的代码：

import pandas as pd
df_temp=pd.read_csv('somefile.csv',dtype="string")
df_temp.iloc[:,1:]=df_temp.iloc[:,1:].apply(pd.to_numeric,errors='coerce').copy()

我还试过用astype("category")来修改列类型，结果同样在函数里没效果：

df_temp.iloc[:,1:]=df_temp.iloc[:,1:].astype("category").copy()

奇怪的是，这段代码在Jupyter Notebook里单独运行的时候完全正常，但把它放进函数内部执行后，df_temp的列类型根本没变化，还是停留在object或者string类型，完全没被修改。

不过我找到了一个临时的 workaround：先把所有列都按category类型读取，再去转数值列：

df_temp=pd.read_csv('somefile.csv',dtype="category") 
df_temp.iloc[:,1:]=df_temp.iloc[:,1:].apply(pd.to_numeric,errors='coerce').copy()

这样做虽然会因为部分列是字符串和数值混合出现一些警告，但我本来就希望无法转数值的字符串变成NaN，所以这些警告我可以接受。

我现在最困惑的就是：为什么第一种写法在函数里完全不起作用？有没有人遇到过类似的情况，或者能帮我理清背后的原因？

备注：内容来源于stack exchange，提问作者Ohad