如何修改DataFrame列的数据类型？Zipcode转int64报错求助

你遇到的这个报错很常见——int(call_df['zip'])之所以失败，是因为int()函数只能处理单个数值，而call_df['zip']是一个Series对象（也就是整列数据），它没法直接被int()转换。下面给你针对Zipcode转换的具体解决方案，以及通用的DataFrame列类型修改方法：

一、针对Zipcode从float64转int64的解决方案 #

你的Zipcode显示为19678.0，说明当前是float类型，要转成int类型需要注意两种场景：

1. 列中没有缺失值（NaN）的情况 #

如果你的zip列里全是像19678.0这样的有效数值，没有空值，可以直接用astype()方法：

call_df['zip'] = call_df['zip'].astype('int64')

这样就能把整列的float值转成int64类型，结果就是19678这种整数形式。

2. 列中存在缺失值（NaN）的情况 #

如果列里有NaN，直接用astype('int64')会报错，因为NaN是float类型，没法转成int。这时候可以用两种方式处理：

• 方法一：用pd.to_numeric()生成支持空值的nullable整数类型

import pandas as pd
call_df['zip'] = pd.to_numeric(call_df['zip'], downcast='integer', errors='coerce')

• 方法二：先填充缺失值再转换（填充值根据业务需求调整，比如用0）

call_df['zip'] = call_df['zip'].fillna(0).astype('int64')

二、通用修改DataFrame列数据类型的方法 #

除了上面的场景，修改DataFrame列类型还有这些常用方式：

• astype()方法：适用于明确知道数据可以安全转换的情况，比如把纯数字字符串转成int

# 把字符串类型的数字列转成int64
call_df['age'] = call_df['age'].astype('int64')

• pd.to_numeric()方法：更灵活，能自动识别数值类型，还能处理转换错误（比如把非数值的字符串转成NaN）

# 把混合类型的列转成数值类型，无法转换的设为NaN
call_df['number_col'] = pd.to_numeric(call_df['number_col'], errors='coerce')

• 转成category类型：如果是重复值较多的分类数据（比如性别、城市），转成category类型能大幅节省内存

call_df['city'] = call_df['city'].astype('category')

内容的提问来源于stack exchange，提问作者MCN