Pandas中人工与材料成本列Object类型转Float类型失败求助

看起来你在将Labour Cost和Material Cost列从Object类型转换为Float类型时遇到了阻碍，我来帮你梳理下可行的方案，同时分析下之前方法无效的原因。

先分析之前方法无效的原因 #

1. 你尝试的第一个代码：

df_co.iloc[:,2:3].apply(lambda x : x.str.extract('(\d+)',expand=False).astype(float))

• 问题一：iloc[:,2:3]只选中了Labour Cost列，但没有将转换后的结果赋值回原DataFrame，相当于白运行了；
• 问题二：正则(\d+)只能提取整数部分，会丢失像351.42这样的小数部分，导致数据失真。

2. 第二个代码：

df_co['Labour Cost'].astype(float)

• astype(float)对格式要求非常严格，如果列中存在任何非数字字符（比如隐藏空格、特殊符号）或者空值，就会直接报错，无法完成转换。

可行的转换方案 #

方案一：用pd.to_numeric（最稳健推荐） #

这个方法会自动处理大部分格式问题，比如空格、逗号分隔的数字，还能把无效值转为NaN方便后续处理，非常省心：

import pandas as pd

# 转换Labour Cost列
df_co['Labour Cost'] = pd.to_numeric(df_co['Labour Cost'], errors='coerce')
# 转换Material Cost列
df_co['Material Cost'] = pd.to_numeric(df_co['Material Cost'], errors='coerce')

• errors='coerce'参数：遇到无法转换的值时，会将其转为NaN，而不是直接抛出错误。
• 如果之后需要处理NaN，可以用df_co['Labour Cost'].fillna(0, inplace=True)这样的方法填充。

方案二：先清理字符再转换 #

如果你的列里有明显的非数字字符（比如货币符号、空格），可以先清理再转换：

# 清理Labour Cost列：去除空格，保留数字和小数点
df_co['Labour Cost'] = df_co['Labour Cost'].str.strip().str.replace(r'[^0-9.]', '', regex=True).astype(float)
# 清理Material Cost列
df_co['Material Cost'] = df_co['Material Cost'].str.strip().str.replace(r'[^0-9.]', '', regex=True).astype(float)

• str.strip()去除首尾空格；
• str.replace(r'[^0-9.]', '', regex=True)删除所有非数字、非小数点的字符。

方案三：修正正则提取的方法 #

如果你坚持用str.extract，需要修改正则表达式来匹配小数：

df_co['Labour Cost'] = df_co['Labour Cost'].str.extract(r'(\d+\.?\d*)', expand=False).astype(float)
df_co['Material Cost'] = df_co['Material Cost'].str.extract(r'(\d+\.?\d*)', expand=False).astype(float)

• 正则(\d+\.?\d*)可以匹配整数（比如192）和小数（比如351.42）。

验证转换结果 #

转换完成后，可以运行下面的代码确认数据类型是否正确：

print(df_co[['Labour Cost', 'Material Cost']].dtypes)

内容的提问来源于stack exchange，提问作者okl