Pandas DataFrame中含None值整数列的类型保持策略有哪些

在Pandas的默认处理逻辑中，整数列一旦出现None值，整个列的数据类型会自动从int64转换为float64，这是因为Python的原生整数类型不支持存储None值。如果业务场景要求整数列必须保持整数类型，就需要采用特定的策略来处理None值。

使用Pandas可空整数类型

Pandas从0.24版本开始引入了可空整数类型，这类类型专门支持存储整数和None值，不会自动转换为浮点型。可空整数类型的命名规则是在原有整数类型后加大写字母A，比如Int8、Int16、Int32、Int64。

可以通过以下两种方式将整数列转换为可空整数类型：

创建DataFrame时指定类型

在构造DataFrame的时候，直接通过dtype参数指定列的类型为可空整数类型：

import pandas as pd
import numpy as np

# 创建包含None值的原始数据
data = {
    "id": [1, 2, None, 4, 5],
    "score": [90, None, 85, 92, 88]
}
# 指定id列为Int64类型，score列为Int32类型
df = pd.DataFrame(data, dtype={"id": "Int64", "score": "Int32"})
print(df.dtypes)
# 输出：
# id       Int64
# score    Int32
# dtype: object

已有DataFrame转换列类型

如果DataFrame已经创建完成，可以通过astype方法转换目标列的类型：

import pandas as pd
import numpy as np

data = {
    "id": [1, 2, None, 4, 5],
    "score": [90, None, 85, 92, 88]
}
df = pd.DataFrame(data)
# 将id列转换为Int64类型
df["id"] = df["id"].astype("Int64")
# 将score列转换为Int32类型
df["score"] = df["score"].astype("Int32")
print(df.dtypes)

替换None值为指定整数

如果业务允许将None值替换为某个特定的整数（比如0、-1等），可以通过fillna方法先填充None值，再转换列类型为整数类型，这样也能保持列的整数类型。

示例代码如下：

import pandas as pd
import numpy as np

data = {
    "id": [1, 2, None, 4, 5],
    "score": [90, None, 85, 92, 88]
}
df = pd.DataFrame(data)
# 将id列的None值替换为-1，再转换为int64类型
df["id"] = df["id"].fillna(-1).astype(int)
# 将score列的None值替换为0，再转换为int32类型
df["score"] = df["score"].fillna(0).astype("int32")
print(df.dtypes)
# 输出：
# id        int64
# score    int32
# dtype: object

两种策略的适用场景对比

两种策略各有适用场景，具体差异如下：

注意事项

使用可空整数类型时需要注意，这类类型的None值在参与计算时的行为和原生None不同，比如Int64类型的None和整数相加会返回None，而填充后的整数列相加会返回正常计算结果。另外，在使用to_csv等方法导出数据时，可空整数类型的None值会被导出为空字符串，而填充后的整数列会导出为对应的填充值，需要根据导出需求选择合适的策略。

PandasDataFrameNone值整数列类型保持修改时间：2026-07-19 07:54:21