astype(int)因底层C int不支持NaN而必然报错；应改用可空整型"Int64"（首字母大写），它原生支持pd.NA，需pandas≥1.0且先清洗非数值干扰。
为什么 astype(int) 在含空值的列上会直接报错？
因为 Python 的 int 类型不支持 NaN，而 pandas 默认的整数列（如 int64）也不允许缺失值。一旦列里有 NaN 或 None，astype(int) 就会抛出 ValueError: Cannot convert non-finite values (NA, NaN, etc.) to integer。
这不是数据脏，是类型系统在拦你——得换能存空值的整数类型。
- 用
Int64（首字母大写）这类“可空整数类型”，它是 pandas 自带的 nullable integer dtype - 别用
int64（小写），它和原生 NumPy 一样拒纳NaN -
Int64底层用pd.NA表示缺失，不是np.nan，但对用户透明
怎么安全地把含空值的列转成整数类型？
直接用 astype("Int64")（字符串形式）或 astype(pd.Int64Dtype())。前者更常用，也更健壮。
示例：
Python Sdk
下载
inference.sh 的 Python SDK：运行 AI 应用、构建智能体，并集成 150 多个模型。包名：inferencesh (pip install inferencesh)。支持同步/异步……
立即学习“Python免费学习笔记（深入）”；
import pandas as pd
s = pd.Series([1, 2, None, 4])
s_converted = s.astype("Int64") # ✅ 成功：类型为 Int64，值为 [1, 2, <NA>, 4]
- 如果原始列是
float64且含np.nan，astype("Int64")会自动把非空浮点数向下取整？不会——它只接受能无损转整数的值，比如3.0可以，3.7会报错 - 想强制截断小数？先用
round()或astype(int)（对非空部分）再转Int64，但要自己处理空值逻辑 - 列里混了字符串（如
"3"、""）？必须先清洗，astype("Int64")不做隐式类型推断
遇到 TypeError: object cannot be converted to an IntegerDtype 怎么办？
这通常是因为列里有非数字对象（比如字符串 "missing"、字典、列表），或者空字符串 "" —— 它们无法被解释为数字，更别说整数了。
- 先用
s.apply(type).unique()看看有哪些类型混进来了 - 用
pd.to_numeric(s, errors="coerce")统一转成数值，非法值变NaN，再接astype("Int64") - 空字符串要提前处理：
s.replace("", pd.NA).astype("Int64")（注意：replace("", pd.NA)比replace("", np.nan)更兼容Int64
性能和兼容性要注意什么？
Int64 列比 int64 占更多内存，运算速度略慢，但这是为缺失支持付出的合理代价。
- 下游库（如 scikit-learn）通常不认
Int64，训练前得转回float64或用.to_numpy(dtype="float64", na_value=np.nan) - 写入 CSV 时，
Int64列里的<NA>会自动输出为空字符串或NaN（取决于na_rep参数），没问题；但写入 Parquet/Feather 时完全保留<NA> - 别在
groupby或merge中混用int64和Int64列——pandas 会静默转成object，后续操作容易崩
真正麻烦的不是转换动作本身，而是没意识到 Int64 是个独立 dtype：它不等于 int，也不能和 numpy.int64 直接互换，很多“理所当然”的操作会在边界处突然失效。
