在使用pandas读取CSV文件时，如果某一列是整数类型但存在缺失值，默认的int类型无法存储NaN，会导致该列被自动转换为float类型，这往往不符合数据处理的需求。此时需要在read_csv阶段就将该列指定为nullable integer类型，也就是pandas的Int64、Int32等可空整数类型，既保留整数属性，又能存储缺失值。
方法一：使用dtype参数直接指定
read_csv提供了dtype参数，可以直接指定每一列的数据类型，对于可空整数类型，直接传入对应的Int64等类型即可。需要注意的是，这里要使用的是pandas的可空整数类型，而不是Python内置的int。
import pandas as pd
import io
# 模拟CSV数据，age列存在缺失值
csv_data = """name,age,score
Alice,25,90
Bob,,85
Charlie,30,88
"""
# 使用dtype指定age列为可空整数类型Int64
df = pd.read_csv(io.StringIO(csv_data), dtype={"age": pd.Int64Dtype()})
print(df.dtypes)
print(df)
上述代码中，pd.Int64Dtype()表示64位可空整数类型，读取后age列的类型为Int64，缺失值会显示为<NA>而不是NaN，且列中存储的是整数。
方法二：使用converters参数自定义转换逻辑
如果需要在转换时做更多自定义处理，比如对异常值进行过滤或者补充默认值，可以使用converters参数，为指定列传入一个转换函数，函数内部将值转换为可空整数类型。
import pandas as pd
import io
csv_data = """name,age,score
Alice,25,90
Bob,,85
Charlie,30,88
"""
def convert_to_nullable_int(value):
# 如果值为空，返回pd.NA
if pd.isna(value) or value.strip() == "":
return pd.NA
# 转换为整数后返回可空整数类型
return pd.Int64Dtype()(int(value))
df = pd.read_csv(io.StringIO(csv_data), converters={"age": convert_to_nullable_int})
print(df.dtypes)
print(df)
这种方式灵活性更高，可以在转换函数中加入额外的校验逻辑，比如过滤非数字的内容，再转换为可空整数类型。
方法三：结合usecols和后续转换（不推荐但适用特殊场景）
如果CSV的列数很多，且只需要对少数几列做可空整数转换，也可以先读取所有列，再对目标列做类型转换，但这种方式不是read_csv阶段直接完成，仅适用于无法在read_csv时指定类型的特殊场景。
import pandas as pd import io csv_data = """name,age,score Alice,25,90 Bob,,85 Charlie,30,88 """ df = pd.read_csv(io.StringIO(csv_data)) # 读取后转换age列为可空整数类型 df["age"] = df["age"].astype(pd.Int64Dtype()) print(df.dtypes)
注意事项
- 可空整数类型的首字母是大写的I，比如Int64，和内置的int类型区分开，小写int是不可空的。
- 如果CSV中该列存在非数字的字符串，直接指定dtype会报错，此时需要先使用converters做清洗再转换。
- 可空整数类型的缺失值用pd.NA表示，和float列的NaN不同，后续做数值计算时需要注意兼容性。
pandasread_csvnullable_integer数据类型转换修改时间：2026-06-27 01:15:17