如何将含混合数据的Pandas DataFrame中的数值替换为NaN？

我懂你遇到的困扰了：你的DataFrame里混杂着NaN、有特定含义的字符串，还有数值类型的数据，想要把所有数值单元格替换成NaN，但之前用正则的方法完全没效果——这是因为df.replace搭配regex=True只会处理字符串类型的单元格，那些本身就是int/float的数值根本不会被正则匹配到，自然不会有任何变化。

下面给你两种可行的解决方案：

方法1：用applymap逐个检查单元格类型 #

这种方法逻辑直观，自定义函数判断每个单元格是否是数值（同时排除NaN，因为NaN属于float类型），符合条件就替换成NaN：

import numpy as np
import pandas as pd

# 你的原始DataFrame
df = pd.DataFrame([['abc', 'cdf', 1], ['k', 'sum', 'some'], [1000, np.nan, 'nothing']])

def replace_numeric(val):
    # 判断是否是int/float类型，且不是NaN
    if isinstance(val, (int, float)) and not pd.isna(val):
        return np.nan
    return val

# 应用到整个DataFrame
df_processed = df.applymap(replace_numeric)
print(df_processed)

运行后输出：

0     1       2
0  abc  cdf     NaN
1    k   sum    some
2  NaN   NaN  nothing

方法2：用mask结合pd.to_numeric批量处理 #

这种方法更简洁，利用pd.to_numeric的errors='coerce'参数，先把能转成数值的单元格保留、不能转的变成NaN，再通过mask把这些能转成数值的位置替换为NaN：

import numpy as np
import pandas as pd

df = pd.DataFrame([['abc', 'cdf', 1], ['k', 'sum', 'some'], [1000, np.nan, 'nothing']])

# 生成布尔掩码：能转成数值的单元格标记为True
numeric_mask = df.apply(pd.to_numeric, errors='coerce').notna()
# 用mask把掩码为True的位置替换成NaN
df_processed = df.mask(numeric_mask)
print(df_processed)

这个方法的输出和方法1完全一致，而且不需要写自定义函数，代码更紧凑。

为什么之前的正则方法无效？ #

再明确一下原因：df.replace(regex=True)仅对字符串类型的单元格生效。比如如果你的DataFrame里有一个字符串形式的数字（比如'123'），正则'\d+'会匹配到它并替换成NaN，但像示例中1、1000这种本身就是int类型的数值，正则根本不会处理它们，所以之前的方案完全起不到作用。

内容的提问来源于stack exchange，提问作者Jonas