完全懂你的痛点！pd.DataFrame()默认确实只能指定全局的dtype，但针对不同列设置不同类型的需求，有几个非常实用的方案：

方案1：先创建DataFrame，再逐个转换列类型 #

这是最直观的方法，适合列数不多的场景。先按常规方式创建DataFrame，之后对需要特殊处理的列单独做类型转换：

import pandas as pd
import numpy as np

# 你的原始数据和列名
lst = [[1.2345, 1620000000000000000], [2.3456, 1620100000000000000]]
my_columns = ['value', 'timestamp']

# 先创建默认类型的DataFrame
df = pd.DataFrame(lst, columns=my_columns)

# 转换浮点列为np.float32
df['value'] = df['value'].astype(np.float32)

# 转换整数时间戳为numpy datetime64格式（两种可选方式）
# 方法1：用numpy直接转换
df['timestamp'] = df['timestamp'].apply(lambda x: np.datetime64(x, 'ns'))
# 方法2：用pandas的to_datetime（推荐，批量处理更高效）
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ns')

方案2：构造DataFrame前先预处理每行数据 #

如果数据量不大，可以先遍历原始列表，提前把对应列的类型转换好，再传入DataFrame构造函数：

# 预处理每行数据：把第一列转成float32，第二列转成datetime64[ns]
processed_lst = []
for row in lst:
    processed_row = [
        np.float32(row[0]),
        np.datetime64(row[1], 'ns')
    ]
    processed_lst.append(processed_row)

# 直接创建带有目标类型的DataFrame
df = pd.DataFrame(processed_lst, columns=my_columns)

方案3：用字典构造DataFrame（推荐高效方案） #

这种方法更灵活高效——直接为每个列准备好已转换类型的数组，再传入DataFrame：

# 从原始列表中提取各列数据并转换类型
values = np.array([row[0] for row in lst], dtype=np.float32)
timestamps = np.array([row[1] for row in lst], dtype='datetime64[ns]')

# 用字典构造DataFrame，每个列的类型已经是目标类型
df = pd.DataFrame({
    'value': values,
    'timestamp': timestamps
})

小提示 #

• 时间戳转换时要注意unit参数（比如'ns'、's'），确保和你的整数时间戳单位匹配，不然会出现时间错误。
• 如果数据里有缺失值，转换类型时可以用errors='coerce'参数，把无效值转为NaT或NaN。

内容的提问来源于stack exchange，提问作者BlindDriver