最可靠的方法是使用 pint 库解析和转换带单位的字符串，它内置1700+单位、支持复合与中文单位、上下文感知，并可与 pandas 集成实现单位感知计算。
用 pint 解析和转换带单位的字符串最可靠
直接用正则或 float() 拆解 "2.5 m/s" 这类字符串，很快会掉进空格、指数、复合单位（如 "kg·m²/s²"）、Unicode 中文单位（如 "毫秒"）的坑里。推荐用 pint —— 它专为物理量建模，内置 1700+ 单位定义，支持自定义单位和上下文（如温度转换需区分 ΔT 和绝对温标）。
安装后初始化一次即可：
from pint import UnitRegistry ureg = UnitRegistry() Q_ = ureg.Quantity
解析字符串示例：
q = Q_("2.5 m/s") # → <code>2.5 meter / second</code>
q.to("km/h").magnitude # → 9.0- 别用
ureg.parse_expression("2.5 * m / s")：它不接受空格，且易受变量名污染 - 中文单位需提前注册，比如
ureg.define("毫秒 = millisecond = ms") -
q.magnitude是纯数值，q.units是单位对象，二者必须一起传，不能只存数字再“脑补”单位
用 pandas + pint 处理带单位的列
原生 pandas 不支持单位，但 pint-pandas 扩展能让 Series 和 DataFrame 保存 Quantity 对象，保留单位语义并支持向量化运算。
立即学习“Python免费学习笔记（深入）”；
安装扩展：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
pip install pint-pandas
创建带单位的列：
import pandas as pd
df = pd.DataFrame({
"velocity": [Q_("10 m/s"), Q_("25 km/h"), Q_("0.5 mile/min")]
})
# 自动统一为基本单位（meter / second），支持 df["velocity"].mean()、df["velocity"] > Q_("5 m/s")- 读 CSV 时单位是字符串列？先用
df["val"].apply(Q_)转换，别用astype - 算术操作（如
df["a"] + df["b"]）会自动检查单位兼容性，不匹配直接报DimensionalityError - 导出前务必调用
.to("m/s").magnitude提取数值，否则to_csv会写入对象地址或触发__str__不可控输出
避免单位丢失的三个关键时机
单位不是装饰，是数据类型的一部分；一旦丢掉，就不可逆。
- 从 Excel/CSV 读入时：用
pd.read_csv(..., dtype={"temp": str})防止 pandas 把"25 °C"当数字强转成25.0 - 做聚合（
groupby().mean()）后：结果仍是Quantity，但若中间用了np.mean或sum()原生函数，单位就没了 - 序列化保存：用
joblib或pickle可存完整Quantity；用to_json或to_parquet必须先分离.magnitude和.units，否则单位信息全丢
当 pint 不够用：手动处理非标准单位或模糊文本
遇到 "~3.2 Vpp"、"、<code>"2nd harmonic: -45 dBc" 这类含修饰符、缩写、非SI符号的文本，pint 无法直解析。
建议分两步处理：
- 用正则预清洗：提取核心数值和可识别单位部分，例如
re.search(r"([\d.]+)\s*([a-zA-ZμΩ°²³]+)", s) - 对剩余修饰符（如
"RMS","pp"）单独建字段，不塞进单位对象里——它们属于测量条件，不是量纲 - 查表映射缩写：
{"dBc": "decibel-centiwatt", "Vpp": "volt_peak_to_peak"}，再用ureg.define()注册
单位系统越复杂，越要早做校验：在数据加载后立刻跑一遍 df.applymap(lambda x: hasattr(x, "units"))，比后期 debug 强十倍。
