如何解决Pandas中更新超Python最大日期行时的NaN转int报错？

先给你明确结论：报错的根本原因不是没有符合条件的记录，而是你的maturity_date字段里存在NaN值。当你用str[:4]提取年份时，NaN值经过字符串切片后还是NaN，再强行用astype(int)转换就会触发ValueError——这和有没有大于2261的日期完全没关系。

正确的处理方式：主动处理NaN，而非抑制错误 #

我不建议你直接抑制错误，因为那样会掩盖数据里的缺失问题。正确的做法是先处理NaN，再进行条件判断和更新：

• 安全提取并转换年份
  用pd.to_numeric替代直接的astype(int)，它支持errors='coerce'参数，能把无法转换的NaN或非数字字符串转为NaN，避免报错：

  # 提取年份并转为数值，无法转换的（比如NaN）设为NaN
  year_series = pd.to_numeric(df['maturity_date'].str[:4], errors='coerce')
  # 生成条件：年份大于2261，NaN会自动被判定为False
  m = year_series > 2261
  

  这里生成的m是一个布尔序列，NaN对应的位置会是False，不会干扰后续的更新操作。

• 仅对符合条件的记录执行更新
  你原本的mask用法是正确的，只要确保条件m是有效的布尔序列就行。修改后的完整代码如下：

  # 处理年份转换，规避NaN报错
  year_series = pd.to_numeric(df['maturity_date'].str[:4], errors='coerce')
  # 定义更新条件：仅年份大于2261的行
  m = year_series > 2261
  # 替换符合条件的日期的年份部分为2261
  df['maturity_date'] = df['maturity_date'].mask(m, '2261' + df['maturity_date'].str[4:])
  # 转换为datetime类型，同时处理异常值
  df['maturity_date'] = pd.to_datetime(df['maturity_date'], errors='coerce')
  

额外建议 #

如果你的业务场景中maturity_date的NaN是不合理的，建议先排查这些缺失值的来源（比如是不是数据导入时的问题），再决定是用合理值填充（比如df['maturity_date'].fillna('1900-01-01')）还是直接删除缺失行（df.dropna(subset=['maturity_date'])）。

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