将pandas.Series从dtype对象转换为float，将错误转换为nans

pd.to_numeric

docs/stable/generated/pandas.to_numeric.html)与

errors='coerce'

# Setups = pd.Series(['1', '2', '3', '4', '.'])s0    11    22    33    44    .dtype: objectpd.to_numeric(s, errors='coerce')0    1.01    2.02    3.03    4.04    NaNdtype: float64

如果需要

NaN

Series.fillna

pd.to_numeric(s, errors='coerce').fillna(0, downcast='infer')0    11    22    33    44    0dtype: float64

注意，

downcast='infer'

从v0.24 +起，pandas引入了Nullable Integer类型，该类型允许整数与NaN共存。如果列中有整数，则可以使用

pd.__version__# '0.24.1'pd.to_numeric(s, errors='coerce').astype('Int32')0      11      22      33      44    NaNdtype: Int32

还有其他选项可供选择，请阅读文档以获取更多信息。

Dataframes

如果需要将此扩展到Dataframes，则需要 将
其应用于每一行。您可以使用进行此 *** 作

Dataframe.apply

# Setup.np.random.seed(0)df = pd.Dataframe({    'A' : np.random.choice(10, 5),     'C' : np.random.choice(10, 5),     'B' : ['1', '###', '...', 50, '234'],     'D' : ['23', '1', '...', '268', '$$']})[list('ABCD')]df   A    B  C    D0  5    1  9   231  0  ###  3    12  3  ...  5  ...3  3   50  2  2684  7  234  4   $$df.dtypesA     int64B    objectC     int64D    objectdtype: objectdf2 = df.apply(pd.to_numeric, errors='coerce')df2   A      B  C      D0  5    1.0  9   23.01  0    NaN  3    1.02  3    NaN  5    NaN3  3   50.0  2  268.04  7  234.0  4    NaNdf2.dtypesA      int64B    float64C      int64D    float64dtype: object

您也可以使用

Dataframe.transform

df.transform(pd.to_numeric, errors='coerce')   A      B  C      D0  5    1.0  9   23.01  0    NaN  3    1.02  3    NaN  5    NaN3  3   50.0  2  268.04  7  234.0  4    NaN

如果您有许多列（数字；非数字），则可以通过

pd.to_numeric

df.dtypes.eq(object)A    FalseB     TrueC    FalseD     Truedtype: boolcols = df.columns[df.dtypes.eq(object)]# Actually, `cols` can be any list of columns you need to convert.cols# Index(['B', 'D'], dtype='object')df[cols] = df[cols].apply(pd.to_numeric, errors='coerce')# Alternatively,# for c in cols:#     df[c] = pd.to_numeric(df[c], errors='coerce')df   A      B  C      D0  5    1.0  9   23.01  0    NaN  3    1.02  3    NaN  5    NaN3  3   50.0  2  268.04  7  234.0  4    NaN

对于较长的Dataframe

pd.to_numeric

axis=0