锋哥原创的Pandas2 Python数据处理与分析 视频教程：  

2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili

Pandas 提供了灵活的方法来处理数据类型转换，以下是常见操作及代码示例：

1. 查看数据类型

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6],'C': ['2025-01-01', '2025-02-01', '2025-03-01']
})print(df.dtypes)
# 输出：
# A    object
# B     int64
# C    object

2. 使用 astype() 转换类型

基本转换：

df['A'] = df['A'].astype(int)    # 转换为整数
df['B'] = df['B'].astype(float)  # 转换为浮点数

运行结果：

3. 使用 pd.to_numeric() 处理数值转换

to_numeric()方法详解：

pandas.to_numeric(arg, errors='raise', downcast=None
)

参数说明：

参数	类型	说明
arg	Series, list, 1D数组	需要转换的输入数据
errors	{'ignore', 'raise', 'coerce'}, 默认 'raise'	控制无效值的处理方式： - 'raise': 遇到非数值字符报错（默认） - 'coerce': 将无效值转为 NaN - 'ignore': 保留原值，不转换
downcast	{'integer', 'signed', 'unsigned', 'float'}, 默认 None	降低内存占用： - 'integer'/'signed'/'unsigned': 寻找最小整数类型（如 int8, int16） - 'float': 寻找最小浮点类型（如 float32）

使用 errors='coerce' 避免转换失败导致程序中断。

import pandas as pd
s = pd.Series(['1', '2', 'apple', '4'])
s_numeric = pd.to_numeric(s, errors='coerce')  # 无效值转为 NaN
# 输出： [1.0, 2.0, NaN, 4.0]s_ignore = pd.to_numeric(s, errors='ignore')   # 保留原数据

to_numeric函数中的downcast参数用于控制数值类型的转换，可以减少内存使用量，同时保持数据的准确性。

import pandas as pds = pd.Series([1.0, 2.0, 3.0])
s = pd.to_numeric(s, downcast='integer')  # 转换为最小整数类型 (int8/int16/...)

4. 日期时间转换to_datetime()

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6],'C': ['2025-01-01', '2025-02-01', 'ccc']
})
df['C'] = pd.to_datetime(df['C'],errors='coerce')  # 转换为 datetime 类型

5. 处理缺失值与类型推断

填充缺失值后转换：

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6],'C': ['2025-01-01', '2025-02-01', 'ccc']
})
df['D'] = ['10', None, '30']
df['D'] = df['D'].fillna(0).astype(int)  # 填充 NaN 后转为整数

Pandas可以用以下方法智能地推断各列的数据类型，会返回一个按推断修改后的DataFrame。

import pandas as pddf = pd.DataFrame({'A': ['1', '2', '3'],'B': [4, 5, 6]
})
df = df.convert_dtypes()  # 自动推断更合适的数据类型