数据类型体系与转换

dtype 是什么

dtype（data type）是数据的类型。pandas 里「每列一个 dtype」：一列内类型必须统一，列与列之间可以不同。

import numpy as np
import pandas as pd

df = pd.DataFrame({
    "整数": [1, 2, 3],
    "浮点": [1.5, 2.5, 3.5],
    "文字": ["a", "b", "c"],
    "布尔": [True, False, True],
})
print(df.dtypes)

输出：

整数      int64
浮点    float64
文字        str
布尔       bool

dtype 决定了数据怎么存、怎么算：整数走 int64，文本走 str，日期走 datetime64。类型错了，运算结果也会错，比如「1」+「2」在字符串里是 “12”，在整数里是 3。所以看懂 dtype 是数据处理的基本功。

想知道每类列有几个，可以用 value_counts() 汇总：

import pandas as pd

df = pd.DataFrame({
    "整数": [1, 2],
    "浮点": [1.5, 2.5],
    "文字": ["a", "b"],
    "布尔": [True, False],
})
print(df.dtypes.value_counts())

常用 dtype 一览

NumPy 原生类型：

• int64、int32：整数
• float64、float32：浮点数
• bool：布尔
• datetime64：日期时间
• object：任意 Python 对象（3.0 之前字符串的默认归宿）

pandas 扩展类型（ExtensionDtype）：

• str：3.0 起的新默认字符串类型
• category：分类类型，重复值多时省内存
• Int64、Float64：可空数值类型（注意大写 I）
• boolean：可空布尔（True/False/NA）
• datetime64[tz]：带时区的日期时间

还有两个偶尔见到的：timedelta64 表示时间差，complex 表示复数，用到时知道存在即可。

判断一列是不是数值类型，可以用 pd.api.types.is_numeric_dtype(df["整数"])。

默认情况下，整数固定是 int64、浮点固定是 float64，与操作系统是 32 位还是 64 位无关，行为可预期。

object 什么时候出现

object 是「万能口袋」，什么 Python 对象都能装。混装类型时就会落到它头上：

• 数值和字符串混在一列
• 一列里存列表、字典这类对象
• 老版本读进来的文本数据

3.0 之后纯文本列默认是 str，object 只剩真正的混合场景才出现。看到 object 列，通常值得检查一下数据是不是混了类型。

类型推断与自动升级

不指定 dtype 时，pandas 会根据数据推断，装不下时会自动升级：

import numpy as np
import pandas as pd

# 整数 + 浮点 -> 升为 float64
print(pd.Series([1, 2, 3.0]).dtype)

# 整数 + NaN -> 升为 float64（NaN 是浮点数，普通整数装不下）
print(pd.Series([1, 2, None]).dtype)

# 类型混杂 -> 变成 object
print(pd.Series([1, "a"]).dtype)

第三种情况在 3.0 里推断规则更聪明：纯文本列会得到 str，只有数值和字符串混在一起时才落到 object。

astype：显式转换

转换类型用 astype，返回新对象，不改原数据：

import pandas as pd

s = pd.Series(["1", "2", "3"])

# 字符串 -> 整数
print(s.astype("int64"))

# 浮点 -> 整数，小数部分直接丢弃
print(pd.Series([1.9, 2.1]).astype("int64"))

# 整数 -> 字符串
print(pd.Series([1, 2]).astype("str"))

# 数值 -> 布尔：0 变 False，非 0 变 True
print(pd.Series([0, 1, 2]).astype("bool"))

# 转分类类型
print(pd.Series(["低", "中", "高"]).astype("category"))

astype 不修改原对象，需要接住返回值；想链式转换也可以连着写：s.astype("str").astype("category")。

日期字符串转成真正的日期类型，后面做时间分析才有意义：

import pandas as pd

s = pd.Series(["2026-01-01", "2026-01-02"])
print(s.astype("datetime64[us]"))

转换失败会抛 ValueError，比如把字符串 “abc” 转整数。写转换前先用 dtype 看一眼数据，能少踩很多坑。

转换不成功时，先查有没有隐藏的缺失值或空格，比如字符串 ” 1” 带前导空格，转整数就会失败。

实际场景里的类型问题

读文件是类型问题的重灾区：CSV 里的数字可能被读成字符串，日期可能变成文本。处理套路是先看 df.dtypes 找到问题列，再用 astype 或 to_numeric、to_datetime 修回来（后面章节细讲）。

如果一列混了数字和文本，先想清楚为什么混：是数据质量问题，还是这一列本来就该是文本（比如邮编、电话号码）。强行转数值之前先观察。

老数据里常见的 object 文本列，想换成新字符串类型，转一次即可：

import pandas as pd

s = pd.Series(["a", "b"])
print(s.astype("str").dtype)   # str

检查类型还有个快办法：df.dtypes.value_counts() 看整体分布，或者 df.select_dtypes(include=["str"]) 只挑文本列，后者第 17 章会用到。

Nullable 类型：整数也能有缺失值

前面看到：整数列一旦有 NaN 就被迫升级成 float64。对于 ID、评分这类「不该是浮点」的列，这很别扭。

pandas 提供可空类型解决这个问题，用 pd.NA 表示缺失：

import pandas as pd

# Int64（大写 I）：整数 + 缺失值
s = pd.Series([1, 2, None], dtype="Int64")
print(s)   # 缺失显示 <NA>

可空类型参与运算时，缺失值会照常传播，聚合时自动跳过：

import pandas as pd

s = pd.Series([1, 2, None], dtype="Int64")

print(s + 1)      # 缺失保持 <NA>
print(s.sum())    # 3，自动跳过缺失

pandas 里缺失值有好几种写法（None、np.nan、pd.NA），各自的语义和区别在 §24 详讲。日常判断缺失统一用 isna()，不用纠结具体是哪个。

自动推断：convert_dtypes

手写 dtype 太麻烦？convert_dtypes 可以一键把整张表转成「最合适的可空类型」：

import pandas as pd

df = pd.DataFrame({
    "整数": [1, None],
    "浮点": [1.5, None],
    "布尔": [True, None],
    "文字": ["a", None],
})
print(df.convert_dtypes().dtypes)

输出：

整数      Int64
浮点    Float64
布尔    boolean
文字     string

注意文字列得到的是 string（可空字符串类型，缺失用 pd.NA），和 3.0 默认的 str（缺失用 NaN）略有区别，日常使用差别不大。

读 CSV 之后对整表跑一次 convert_dtypes，是处理缺失数据的常见起手式。

小提示：convert_dtypes 返回新表，记得接住返回值，比如 df = df.convert_dtypes()。

convert_dtypes 也能单独用于一列：df["整数"].convert_dtypes()。

类型选择建议

日常写代码可以这样选：

• 纯整数、无缺失：int64
• 整数、可能有缺失：Int64
• 金额、测量值：float64 或 Float64
• 文本：str（3.0 默认）
• 只有两类值的标记列：bool 或 boolean

bool 和 boolean 的差别：bool 是 NumPy 原生类型，装不下缺失值；boolean 是可空版，支持 True/False/NA 三态。判断「某列是否存在缺失」这类场景，后者更稳。

拿不准时用 convert_dtypes 让 pandas 替你选，再看输出确认是否符合预期。类型选择没有绝对标准，以「运算结果正确加内存合理」为目标即可。

小结

三条之外还有一条心法：类型问题大多发生在读写边界（读文件、拼表、导出），在这些节点多检查 dtype，能省大量排查时间。

动手练一下：造一个 Series 混着整数和 None，先看它推断成什么类型，再分别用 astype(“Int64”)、astype(“str”) 转一遍，观察缺失值的变化。

记住三条：

• 每列一个 dtype，类型由数据推断，不够装就自动升级
• 转换用 astype，字符串类型判断用 “str”，可空整数用 “Int64”
• 整数带缺失用 Int64，想要最合适的可空类型就用 convert_dtypes