应使用errors="coerce"参数将无法解析的值转为NaN，避免ValueError；默认errors="raise"会严格报错，而coerce保留索引对齐，便于后续fillna()等处理。
用 pandas.to_numeric() 强制转数字时遇到 ValueError: Unable to parse string 怎么办
直接调用 pd.to_numeric(df["col"]) 在混合列（比如包含 "123"、"N/A"、None、" 45.6 "）上必然报错。根本原因在于它默认 errors="raise"，不接受任何非数字字符串。
正确做法是显式指定 errors="coerce"：它会把所有无法解析的值转为 NaN，保留原始索引对齐，后续再统一清洗：
df["col"] = pd.to_numeric(df["col"], errors="coerce")
注意两点：一是别漏掉 errors 参数，默认值不是你想要的；二是 coerce 不等于丢弃数据——NaN 可被 fillna()、dropna() 或业务规则接管，比崩溃强得多。
字符串列里混着数字、空格、单位和乱码，怎么安全提取数值
典型场景：列中值类似 "约25万元"、"、<code>"3.5kg（估算）"。不能硬切片，也不能依赖正则一刀切。
立即学习“Python免费学习笔记（深入）”；
推荐分三步走：
- 先用
astype(str)统一类型，避免None或数字引发AttributeError - 用
.str.replace()清理干扰字符，例如.str.replace(r"[^\d.-]", "", regex=True)剥离非数字符号（保留小数点和负号） - 再喂给
pd.to_numeric(..., errors="coerce")转型，空字符串和纯符号会自动变NaN
示例：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
df["amount"] = (df["amount"]
.astype(str)
.str.replace(r"[^\d.-]", "", regex=True)
.replace("", np.nan)
.pipe(pd.to_numeric, errors="coerce"))
关键点：.replace("", np.nan) 是必须的——因为 to_numeric 对空字符串仍可能报错，尤其在旧版 pandas 中。
需要保留原始语义（如“暂无”“不适用”），又得转成数值参与计算，怎么办
强行塞进数字会丢失业务含义。更合理的方案是拆成两列：value（数值） + status（状态标签）。
用 numpy.select() 或 pd.cut() 配合 map() 实现条件映射：
df["status"] = df["raw"].map({
"N/A": "missing",
"暂无": "unavailable",
"不适用": "not_applicable"
})
df["value"] = pd.to_numeric(
df["raw"].replace({"N/A": np.nan, "暂无": np.nan, "不适用": np.nan}),
errors="coerce"
)
这样既没丢信息，又让数值列可计算。注意字典替换顺序：必须先把语义字符串映射为 np.nan，再交给 to_numeric，否则 "N/A" 会被当成普通字符串传进去，触发 coerce 后变 NaN——但你已失去原始标记。
为什么用 astype(float) 替代 to_numeric 是危险操作
astype(float) 看似简洁，但它对 None、np.nan、空字符串甚至带空格的字符串都极不宽容。常见错误包括：
-
TypeError: float() argument must be a string or a number（遇到None） -
ValueError: could not convert string to float（遇到"--"或"N/A"） - 静默截断：把
"123abc"变成123.0（某些旧版本行为，不可靠）
pd.to_numeric() 是唯一专为此类脏数据设计的函数，它明确区分 raise/coerce/ignore 三种策略，且支持 downcast 优化内存。别图省事换掉它。
混合类型列的真正难点不在转换动作本身，而在于“哪些值该视为缺失、哪些该归为特殊状态、哪些能安全剥离”。转换只是最后一步，前面的语义判断才是花时间的地方。
