Pandas 2.x中动态适配列Dtype兼容NaN的解决方案咨询

针对你遇到的情况，可以通过优先匹配df2的列类型，失败时自动转为支持NaN的扩展类型的方式优雅解决，无需手动预判类型：

实现步骤 #

1. 先给df1补充df2中存在但自身没有的列，初始值设为NaN
2. 遍历df2的每一列，尝试将df1对应列转成df2的类型；如果该原生类型不支持NaN（比如int），则用convert_dtypes()转为支持缺失值的扩展类型
3. 再执行赋值操作，彻底规避类型不兼容警告

完整代码示例 #

import pandas as pd
import numpy as np

df1 = pd.DataFrame({"i":[1,2,3,4,5], "a":[2,4,6,8,10]})
df2= pd.DataFrame({"i":[2,4], "a":[3,6],"b":[4,8]})

# 补充df1缺失的列，初始化为NaN
for col in df2.columns:
    if col not in df1.columns:
        df1[col] = np.nan

# 自动处理类型匹配逻辑
for col in df2.columns:
    try:
        # 优先转为df2的列类型
        df1[col] = df1[col].astype(df2[col].dtype)
    except TypeError:
        # 原生类型不支持NaN时，转为兼容缺失值的扩展类型
        df1[col] = df1[col].convert_dtypes()

# 执行赋值操作
df1.loc[df2.index,:] = df2

print(df1)
print("\n数据类型：")
print(df1.dtypes)

效果说明 #

• 当df2的列类型原生支持NaN（如float、str）时，df1对应列会直接匹配该类型，无任何警告
• 当df2的列类型不支持NaN（如int）时，会自动转为Pandas的扩展类型（如Int64），既保留整数特性，又兼容NaN，同时消除警告

内容的提问来源于stack exchange，提问作者guest