根本原因是Pandas默认low_memory=True分块推断列类型，导致同一列在不同块中被识别为不同数据类型而触发DtypeWarning；虽low_memory=False可抑制警告，但未解决类型混存问题，真正治本需用dtype或converters显式声明类型。

为什么 read_csv 会报“mixed types”警告？

根本原因是 Pandas 在默认情况下用 low_memory=True 分块推断列类型，每块猜一次，最后发现同一列在不同块里被识别成不同类型（比如有的行是数字、有的是字符串），就抛出 DtypeWarning: Columns have mixed types。这不是错误，但说明类型不一致，后续做数值计算或 fillna 很可能直接报错。

常见触发场景：
• CSV 里某列有空值 + 数字 + “N/A” 或 “—”
• 表头下第一行是数字，第二行是单位或注释（比如 “kg”, “%”）
• Excel 导出的 CSV 自动混入了合并单元格残留字符

low_memory=False 真能解决混合类型警告吗？

能压住警告，但只是“不提醒”，不是“修好”。它让 Pandas 一次性读全量数据再统一推断类型，避免分块冲突，所以不再报 DtypeWarning。但该列还是会被设成 object，里面仍是字符串和数字混着存——后续调用 .sum() 或 .astype(float) 依然会崩。

实操建议：
• 仅当确认数据干净、只是分块误判时，加 low_memory=False 快速过警告
• 绝对不要把它当成类型修复方案
• 加了之后务必立刻检查 df.dtypes 和 df["col"].unique()

真正该做的：用 dtype 和 converters 显式声明类型

这才是治本。Pandas 不会替你猜意图，你得告诉它：“这列就是数字，空的填 NaN” 或 “这列全是文本，别转成 int”。

关键操作：
• 对数值列，用 dtype={"col": "float64"} 强制指定，配合 na_values 告诉哪些字符串算缺失值
• 对难搞的列（如含 “>100”、“converters={"col": lambda x: float(x.strip(">
• 避免依赖 infer_objects() 或 convert_dtypes() 后期补救——它们无法还原已错读的结构

示例：

df = pd.read_csv("data.csv",<br>                 dtype={"price": "float64", "id": "string"},<br>                 na_values=["N/A", "-", "NULL"],<br>                 keep_default_na=True)

读取后必须验证的三件事

加了参数不等于问题消失。混合类型往往在计算时才暴露，所以读完立刻查：

• df.dtypes —— 看目标列是不是你想要的类型，不是 object 就说明没生效
• df["col"].apply(type).unique() —— 直接看内存里存的是不是全是 <class 'float'>，还是夹着 str
• pd.api.types.is_numeric_dtype(df["col"]) —— 别信 dtype 显示，这个函数才反映真实可计算性

最容易被忽略的是：即使 dtype 显示 float64，如果原始数据里有 “1.2.3” 这种非法格式，Pandas 会静默转成 NaN，但不会报错。得靠 df["col"].isna().sum() 看是否异常增多