第 1 章 备料间：数据类型与结构基础

第 1 章 · 备料间：数据类型与结构基础

本章要回答的问题：动手清洗之前，凭什么说"先把食材认全"最重要？拿到一份新数据，怎样在几分钟内判断每一列是什么类型、该用什么盛器来装？列表、字典、集合、数组这些容器各管什么，选错了会怎样？这三个问题的答案，构成了后面七章所有手法的地基。

为什么会有这一章

料理行有句老话：食材没认全就开火，翻车只是时间问题。数据处理同样如此。大量真实事故的根因不在算法，而在最前面那一步——把存成文本的数字当数字算，把含 NaN 的整型列强转 int 崩了整段脚本，把该用字典的查找写成了遍历列表。这些都是"食材验收"没做的账。

本章放在全书最前面，还有一个原因：后续每一章的食谱卡都默认你读得懂报错里的类型名。第 2 章的 to_numeric 为什么要配 errors 参数，第 4 章的 groupby 结果为什么有时是 Series 有时是 DataFrame，这些"为什么"都长在同一块地基上。备料间看着不起眼，但后厨每个人每天都要进来。

读完能解决什么

对照开篇的几个问题，读完本章你应当能做到：

• 验收能力：对任意一份新数据，逐列说出它的类型（整数、浮点、字符串、布尔、时间、类别），并指出类型与"肉眼看到的样子"不一致的地方；
• 辨析能力：说清 NaN 和 None、int64 和 float64、列表和元组的区别，以及这些区别何时会咬人；
• 选器能力：按"要装什么、怎么取用"为一段中间数据挑合适的容器——查找用字典、去重用集合、有序序列用列表、批量数值用数组；
• 算术能力：解释数组运算与标量运算的差异，预判哪些运算会逐元素发生、哪些会改变形状。

可考核知识点清单（自测时逐条打勾）：type 与 dtype 各自回答什么问题；NaN 属于浮点世界的原因；可变与不可变容器在函数传参时的行为差异；字典按键取值与列表按下标取值的复杂度差别；数组广播的基本直觉；pandas 里 object、int64、float64、datetime64、category 五类 dtype 的常见来历。

各节怎么分工

常见疑问

**问：直接学 pandas 不行吗，为什么先认 Python 类型？**因为 pandas 的很多"怪行为"根源在类型系统——整型列混入 NaN 变浮点、文本列点不了数值方法、category 省内存的原理，这些"为什么"都落在 1.1 的六类食材上。跳过这一步，后面的每个报错都像玄学。

**问：列表、字典这些基础真的会用，能跳吗？**可以快读，但别跳过 1.2 的"逐元素算术"与"别名陷阱"。数组逐元素运算直接决定 7.2 广播规则能不能看懂；引用别名则是清洗脚本"改一个动一双"事故的头号来源。

**问：本章需要装什么环境？**Python 与 pandas、NumPy 即可，全部示例在标准 Notebook 里可直接运行；不依赖任何特定版本的新特性，个别涉及弃用参数的地方（如 fillna 的 method）正文里都给了新旧两种写法。

先决条件

• 会运行 Python 脚本或 Notebook，理解变量赋值与函数调用；
• 见过 pandas 的 DataFrame 长什么样即可，不需要熟练；
• 不需要统计背景——本册从头到尾不讲统计理论，只讲函数怎么用。

往下走到哪

备料合格后，下一章进择菜间：缺失值、异常值、重复值、类型矫正与标准化，是清洗工序的主菜。本章 1.1 讲的类型知识会直接决定 2.4（类型转换）里每个参数怎么选；1.2 的容器直觉则会在 6.1（函数式三件套）里反复兑现。