Python Pandas：数值计算时自动类型转换不一致问题咨询

咱们先把你提供的复现代码补全并确认实际运行结果：

import pandas as pd
import numpy as np

d = {'col1': [313], 'col2': [5]}
df = pd.DataFrame(data=d, dtype=np.int16)
print(df.dtypes)
# 输出：
# col1    int16
# col2    int16
# dtype: object

df['col1'] *= 1000000
df['col2'] *= 10000
print(df.dtypes)
# 实际输出：
# col1    int64
# col2    int16
# dtype: object

你留意到的就是这个类型转换不一致的现象：col1计算后从int16升级成了int64，而col2明明也超出了int16的数值范围，却还保留着原类型（甚至出现了数值截断）。

核心原因：原地运算的两种类型处理逻辑 #

这里的关键在于Pandas处理**原地运算（比如*=这种直接修改原列的操作）**时的差异化策略：

• 场景1：结果完全超出原类型的可表示范围
  拿df['col1'] *= 1000000来说，313×1000000=313000000，这个数值远大于int16的最大值32767。此时Pandas会触发自动类型提升，直接把列的类型升级到能容纳结果的最小整数类型（这里直接跳到int64，因为早期版本的Pandas在原地运算的类型提升逻辑里，为了避免后续潜在的溢出问题，对超出小整数类型范围的情况默认会升级到int64）。

• 场景2：结果溢出但仍能被原类型“容纳”（截断后）
  再看df['col2'] *= 10000，5×10000=50000，同样超出了int16的范围，但为什么类型没变化？这是因为Pandas在原地运算时会优先尝试用原类型执行计算：5×10000的结果50000超出int16后，会被底层的数值运算自动截断为符合int16范围的数值（50000 - 65536 = -15536，你可以打印df['col2']看到这个截断后的值），这个截断后的数值能被int16存储，所以Pandas认为不需要提升类型，就保留了原int16类型。

额外补充：版本与运算方式的影响 #

这种不一致的行为和你使用的Pandas 0.20.1版本直接相关——后续的Pandas版本优化了类型提升逻辑，会更严格地检测溢出，尽量避免这种看似矛盾的情况。另外，如果换成非原地运算（比如df['col2'] = df['col2'] * 10000），Pandas会直接根据计算结果选择合适的类型，而不会优先保留原类型，也就不会出现截断后还保留原类型的情况。

内容的提问来源于stack exchange，提问作者Frank Lin