Int64等可空整数类型是为解决缺失值导致崩溃的硬伤；大写Int64是Pandas支持pd.NA的extension dtype，小写int64是NumPy不支持缺失值的原生类型。

Int64、Int32、UInt8 这些可空整数类型不是“锦上添花”，而是为了解决老版本里一碰缺失值就崩掉的硬伤。

Int64 为什么必须大写 I？

小写 int64 是 NumPy 原生类型，不支持缺失值；大写 Int64 是 Pandas 的 extension dtype，底层用 pd.NA 标记空位，不依赖 np.nan。

• 写成 "int64"：遇到 None 或 np.nan → 自动升格为 float64
• 写成 "Int64"：同列混入 None、np.nan、pd.NA → 全转成 <na></na>，类型稳住
• 容易踩的坑：复制粘贴时漏掉大小写，或误用 pd.Int64Dtype()（带括号）却没传参，会报 TypeError: Int64Dtype() takes no arguments

convert_dtypes() 为什么有时失效？

它只对“看起来像整数的 float 列”生效，比如 [1.0, 2.0, np.nan] → 转 Int64；但对 ["1", "2", ""] 或 [1, 2, "missing"] 直接转成 string，不会报错，也不会警告。

提示词大师-python版

图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍

下载

• 正确做法：读取时就锁死类型

  df = pd.read_csv("data.csv", dtype={"id": "Int64", "flag": "boolean"})

• 或统一启用后端再转

  df = df.convert_dtypes(dtype_backend="numpy_nullable")

• 别信默认行为：convert_dtypes() 不加 dtype_backend 参数，旧版本仍可能返回 object

fillna() 后类型变 float 的根因是什么？

因为 np.nan 是 float 类型，而 int64 列无法容纳它——Pandas 的类型系统不允许“整数 + NaN”。

立即学习“Python免费学习笔记（深入）”；

• 用 Int64 后，fillna(0) 返回仍是 Int64；填 pd.NA 也维持类型
• 但若先用 astype("int64") 强转含 np.nan 的列，会直接报 ValueError: cannot convert NA to integer
• 最容易被忽略的一点：Int64 参与算术运算时，遇到 <na></na> 会传播 <na></na>，不是报错也不是跳过——比如 df["a"] + df["b"] 中任一为 <na></na>，结果整列都是 <na></na>

真正关键的不是“能不能用”，而是你得提前决定：这一列的缺失是语义缺失（该有但没采到），还是数据污染（本不该出现）。前者用 Int64 + pd.NA，后者得清洗后再进 pipeline。