Pandas中dtype显示int但describe显示float，绘图报错问题求助

嘿，这个问题我之前也碰到过，咱们一步步拆解解决～

你遇到的核心矛盾很典型：明明用astype(int)把age转成了int64类型，dtype也返回了int64，但describe()显示是float64，还触发了绘图报错。大概率是**列中存在缺失值（NaN）**在搞鬼，咱们来一步步排查：

第一步：排查问题根源 #

先确认列里有没有缺失值或者异常值，这是最常见的诱因：

# 统计缺失值数量
print(sessions['age'].isna().sum())
# 查看所有唯一值，排查是否有NaN、inf这类异常值
print(sessions['age'].unique())

为啥缺失值会导致这种矛盾？因为Pandas的传统int64类型不支持存储缺失值，如果你的列里原本有NaN（属于float类型），哪怕你调用了astype(int)，要么会直接报错，要么Pandas会偷偷把列转回float64来容纳NaN（可能你没注意到控制台的警告），这就造成了dtype显示和实际数据类型的不一致。

第二步：针对性解决问题 #

根据缺失值的情况，选一种适合你的处理方式：

方式1：填充缺失值后转整数 #

如果缺失值不多，或者可以用合理值填充（比如年龄的中位数）：

# 用年龄中位数填充缺失值，再转int类型
sessions['age'] = sessions['age'].fillna(sessions['age'].median()).astype(int)

方式2：删除含缺失值的行 #

如果缺失值没有保留价值，可以直接删掉对应的行：

# 删除age列有缺失值的行，重置索引避免后续索引混乱
sessions = sessions.dropna(subset=['age']).reset_index(drop=True)
# 转成int类型
sessions['age'] = sessions['age'].astype(int)

方式3：用支持缺失值的整数类型（推荐） #

如果需要保留缺失值同时用整数类型，可以用Pandas的Nullable Integer类型（注意是大写的Int64）：

sessions['age'] = sessions['age'].astype('Int64')

这种类型既支持存储整数，也能兼容NaN，不会再出现类型矛盾的问题。

第三步：验证结果并绘图 #

处理完之后，再验证类型和描述信息：

print(sessions['age'].dtype)
print(sessions['age'].describe())

确认类型正常后，再绘制分布图就不会报错了：

ax = sns.distplot(sessions["age"])

内容的提问来源于stack exchange，提问作者Lisadk