2.4 数据类型转换：astype 与 to_* 翻译官

2.4 数据类型转换：astype 与 to_* 翻译官

本节摘要：类型错的数据，算不动、连不上、排不准。本节讲清类型矫正的分工——干净的列用 astype 直转，混着脏值的列交给 to_numeric、to_datetime 翻译，缺失场景交给可空类型。承接 2.3 的去重，通往 2.5 的缩放与编码。

不是所有"看起来像数字"的值都能直接转

不是列里印着数字，它就能按数字算——Excel 导出的金额带着千分位逗号，系统日志里的数字混着"未知"，时间列干脆是一串格式各异的文本。类型矫正踩的坑，大多源于一个假设：astype 一转就完事。现实里它只在数据干净时好使；脏一点，就会当着你的面抛异常，或者悄悄把整列变成 object。本节的任务是把矫正这件事分好工：谁来转干净的，谁来转脏的，谁来兜缺失的。往前接 2.3 清好的表，往后把规整类型的料交给 2.5 做形态加工。

图 类型转换安全矩阵

参数拆解：翻译官的旋钮

astype(dtype)：直转，不商量——astype("int")、astype("float")、astype("str")、astype("category")；列里有一个转不动的值就抛异常，这正是它"干净列专用"的原因。pd.to_numeric(s, errors='raise' | 'coerce' | 'ignore', downcast=None)：errors='coerce' 把转不动的值改成 NaN（最常用）；'raise' 遇脏值抛异常；'ignore' 原样不动（已不推荐）；downcast='integer' 或 'float' 顺手把类型压小省内存。**pd.to_datetime(s, format=None, errors='raise', unit=None)**：format 显式给格式串，既快又避免歧义；unit='s' 或 'ms' 处理 Unix 时间戳数字；unit='D' 能接 Excel 的日期序列值。**astype("Int64")**（大写 I）：可空整型，整数身份与缺失共存；同族的还有 boolean。

实操示例：一列脏金额的完整矫正

场景：Excel 导出的金额列，混着千分位逗号、货币符号和"未知"。流程固定为四步：先看、再洗文本、后翻译、终复检。

import pandas as pd

s = pd.Series(["1,280.00", "￥96.5", "未知", "2,040", "77"], name="金额")

# 第一步：看 —— 确认是 object，脏点在哪
print(s.dtype)                      # object

# 第二步：洗文本 —— 去逗号、去货币符号、去空白
cleaned = s.str.replace(",", "", regex=False).str.replace("￥", "", regex=False).str.strip()

# 第三步：翻译 —— 转不动的一律变 NaN
num = pd.to_numeric(cleaned, errors="coerce")
print(num)
# 0    1280.0
# 1      96.5
# 2       NaN   <- "未知" 的去向，必须交代
# 3    2040.0
# 4      77.0

# 第四步：复检 —— coerce 制造了几个新缺失
print(f"新缺失数：{num.isna().sum()}")    # 1，衔接 2.1 的缺失处置流程
​

时间列同理：pd.to_datetime(df["下单时间"], format="%Y-%m-%d %H:%M:%S", errors="coerce")，转完同样复检。format 别偷懒不给——不给时 pandas 逐行猜格式，大数据量上慢得离谱，还可能把"05-06"猜反。

一张转换速查表

类型矫正用熟之后，剩下的都是"查表"功夫。下面这张表按"从什么转成什么"组织，右列是标准动作与一句提醒，遇到拿不准的场景先来这里对号。

表里最有用的行动路线是第一行：脏文本永远走 to_* 家族而不是 astype，让"转不动"变成显式的 NaN 而不是异常中断；转完拿 2.1 的缺失体检收尾，新空值立刻就有去处。而最后一行是 Excel 用户的老朋友——五位数日期用 unit 与 origin 翻译，翻完拿 strftime 抽查一行，确认没把年份翻成几十年后。

坑点与翻车

**翻车一：astype 遇 NaN 崩整段脚本。**astype("int") 对含缺失的列直接抛异常，因为 NaN 是浮点世界的居民，住不进整型。解法看需求：允许缺失用 astype("Int64")，不允许则先用 2.1 的手法把缺失处置掉再转。**翻车二：coerce 制造的 NaN 无人认领。**errors='coerce' 不是"洗掉问题"而是"把问题集中成 NaN"——转完不复检，下游就在毫不知情里丢了样本。coerce 之后的 isna().sum() 是固定动作。**翻车三：Excel 日期变成五位数。**Excel 的日期本质是"距基准日的天数"，读进来是一串整数，按 to_datetime 加 unit="D" 与起始日 origin="1899-12-30" 翻译才对。

替代方案

懒得逐列指定时，df.convert_dtypes() 让 pandas 自动推断更合理的类型（字符串、可空整型、时间），适合快速整理；但它推断的口径不一定合业务，关键列还是手动指定。读文件阶段还有更省事的路：pd.read_csv 的 dtype 参数在进口时就定好类型，dtype={"订单号": "string"}，从源头省掉矫正——源头能定的，别留到清洗阶段。

收档清单

• 分工：干净用 astype，脏值用 to_numeric 与 to_datetime，缺失配 Int64；
• coerce 有代价：脏值变 NaN 不是消失，转后必须复检；
• format 必给：时间翻译显式给格式，快且不歧义；
• Excel 日期：unit='D' 加 origin 才是正解；
• 源头优先：read_csv 的 dtype 参数能定就早定。

型正了，最后一道腌制：2.5 把量纲统一（标准化、归一化）、把连续切档（分箱）、把类别摊开（独热编码），给下游模型上菜前定妆。