Python Pandas透视整数DataFrame时出现异常浮点值的问题

我之前处理pandas透视表的时候也踩过类似的坑，咱们一步步拆解问题根源，再给你对应的解决方案：

核心问题根源 #

先看你写的代码：

dummy=dummy.pivot_table(index=['hour','new_id'],columns='name', values='values').fillna(0)

这里有两个关键问题直接导致了你看到的异常：

1. 默认聚合函数是均值，不是求和！
   pandas的pivot_table()默认用mean（均值）作为聚合逻辑，而不是你预期的sum（求和）。如果同一个(hour, new_id, name)组合下有多条记录，计算均值自然会得到浮点数，而且和求和结果偏差极大——比如两条记录值都是5，求和是10，均值是5，这就差了一倍，完全不符合你的预期。

2. fillna(0)强制转换为浮点类型
   就算你后来改成求和，fillna(0)里的0是浮点型的0.0，会把原本可能是整数的列强制转成浮点类型。这个只是类型问题，不会导致数值偏差，但会让结果都带上.0。

另外还要排查你的原始数据：有没有可能values列表面是整数，但实际已经是浮点型？比如原始数据里存在NaN，pandas会自动把整数列转为浮点列来容纳缺失值，这种情况下哪怕求和也会得到浮点数（比如sum([5.0, 4.0])结果是9.0）。

针对性解决方法 #

根据你的需求，只需要做几个小调整就能得到预期的整数结果：

方法1：明确指定求和聚合函数，再转回整数 #

这是最稳妥的方式，不管有没有重复数据都适用：

dummy = dummy.pivot_table(
    index=['hour','new_id'],
    columns='name',
    values='values',
    aggfunc='sum'  # 关键：告诉pandas用求和，不是默认的均值
).fillna(0).astype(int)  # 把浮点型的0.0转成整数0，去掉多余的小数位

方法2：用pivot代替pivot_table（如果无重复数据） #

如果你的原始数据中，每个(hour, new_id, name)组合只有唯一一条记录（不需要聚合），可以直接用pivot()，它不需要指定聚合函数，直接完成重塑：

dummy = dummy.pivot(
    index=['hour','new_id'],
    columns='name',
    values='values'
).fillna(0).astype(int)

额外小提示：先处理原始数据类型 #

如果原始数据的values列因为存在NaN已经是浮点型，可以先预处理转成整数：

# 先填充缺失值为0，再转成整数类型
dummy['values'] = dummy['values'].fillna(0).astype(int)
# 再执行透视操作
dummy = dummy.pivot_table(...)

这样调整后，你就能得到完全符合预期的整数透视结果啦。

内容的提问来源于stack exchange，提问作者sato