pandas 如何处理 nullable integer 类型避免 NaN 转 float

在pandas的数据处理场景中，当整数列存在缺失值时，默认的整数类型会无法存储NaN，从而自动将整列转换为float类型，这会给后续的数值计算、类型校验带来很多不必要的麻烦。pandas从0.24版本开始引入了nullable integer类型，专门解决这类问题。

什么是nullable integer类型

nullable integer是pandas扩展出的整数类型，和传统numpy的int32、int64不同，它支持用<NA>来表示缺失值，不会因为有缺失值就将整个列的类型转换为float。这类类型的命名规则是在传统整数类型前加大写字母I，比如Int8、Int16、Int32、Int64，分别对应不同位数的可空整数类型。

创建nullable integer类型数据

我们可以通过多种方式创建nullable integer类型的Series或DataFrame列：

1. 直接指定dtype参数

在创建Series或者读取数据时，直接指定dtype为对应的可空整数类型即可：

import pandas as pd
import numpy as np

# 创建包含缺失值的Series，指定dtype为Int64
s = pd.Series([1, 2, np.nan, 4], dtype="Int64")
print(s)
print(s.dtype)

运行上述代码后，输出的Series类型为Int64，缺失值位置显示为<NA>，不会出现float类型。

2. 转换已有列的类型

如果已有的列是float类型，我们可以通过astype方法将其转换为nullable integer类型：

# 创建一个float类型的Series
s_float = pd.Series([1.0, 2.0, np.nan, 4.0])
# 转换为Int64类型
s_int = s_float.astype("Int64")
print(s_int)
print(s_int.dtype)

nullable integer类型的运算规则

nullable integer类型参与运算时，遵循以下规则：

• 两个nullable integer类型的列进行运算，结果仍然为nullable integer类型，缺失值参与运算后结果仍为<NA>
• nullable integer类型和普通整数运算，结果仍为nullable integer类型
• nullable integer类型和float类型运算，结果会转换为float类型

下面是运算的示例代码：

s1 = pd.Series([1, 2, pd.NA], dtype="Int64")
s2 = pd.Series([3, pd.NA, 5], dtype="Int64")

# 两个Int64列相加
s_add = s1 + s2
print(s_add)
print(s_add.dtype)

# Int64列和普通整数相加
s_add2 = s1 + 10
print(s_add2)

读取数据时指定nullable integer类型

在使用pandas读取CSV、Excel等文件时，也可以通过dtype参数指定列的类型为nullable integer，避免读取后类型自动转为float：

# 读取CSV文件时，指定id列为Int64类型
df = pd.read_csv("test.csv", dtype={"id": "Int64"})
print(df.dtypes)

注意事项

使用nullable integer类型时需要注意以下几点：

• nullable integer类型的缺失值用<NA>表示，不是numpy的np.nan，判断缺失值时建议使用pd.isna()方法，兼容两种缺失值表示
• 如果需要将nullable integer类型转换为普通numpy整数类型，需要先处理缺失值，否则会报错
• 部分老版本的pandas函数可能不支持nullable integer类型，使用时如果遇到兼容问题，可以检查pandas版本是否达标

通过合理使用nullable integer类型，我们可以在保留整数类型的同时正确处理缺失值，避免NaN导致的类型向float转换的问题，让数据处理的类型逻辑更加清晰准确。

pandasnullable_integerNaNfloatInt64修改时间：2026-07-07 02:42:22