使用 astype() 转换类型
使用 astype() 将列转换为整数、浮点数、字符串、布尔值和日期时间，并处理常见的转换错误。
使用 astype() 转换类型 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。
astype() 简介
Series.astype(dtype) 会将列从当前类型转换为您指定的类型。它会返回一个新的 Series（在完整 DataFrame 上调用时返回新的 DataFrame），而不会修改原对象。这是加载数据后修复数据类型问题的主要 Pandas 工具，可以在数值类型之间转换，也可以转换为字符串、布尔值和 Categorical 类型。
import pandas as pd
df = pd.DataFrame({'age': ['25', '30', '35']})
print('Before:', df['age'].dtype) # object
df['age'] = df['age'].astype(int)
print('After:', df['age'].dtype) # int64
print(df['age'] + 1) # [26, 31, 36] — arithmetic now works转换为数值类型
最常见的转换是将 object 转换为数值类型。您可以转换为 'int64'、'int32'、'float64'、'float32' 等类型。如果列中有任何值无法转换，astype() 会引发 ValueError。当列可能包含非数值字符串时，请改用 pd.to_numeric(series, errors='coerce')；它会将错误值转换为 NaN，而不是导致程序崩溃。
import pandas as pd
df = pd.DataFrame({'price': ['10.5', '20.0', 'N/A', '30.5']})
# astype would crash on 'N/A'
# price_float = df['price'].astype(float) # ValueError!
# pd.to_numeric with errors='coerce' is safer
df['price_float'] = pd.to_numeric(df['price'], errors='coerce')
print(df)
# price price_float
# 0 10.5 10.5
# 1 20.0 20.0
# 2 N/A NaN
# 3 30.5 30.5转换为字符串（object）
将列转换为 str（或 'object'）会把每个值转换为其字符串表示形式。当您需要将数值列与文本列拼接，或希望对数值数据使用字符串方法（例如为 ID 补零）时，这非常有用。Pandas 还提供了较新的 'string' 数据类型，可为文本列提供更好的 NA 处理。
import pandas as pd
df = pd.DataFrame({'id': [1, 2, 3], 'region': ['E', 'W', 'N']})
# Concatenate id and region into a composite key
df['key'] = df['id'].astype(str) + '_' + df['region']
print(df)
# id region key
# 0 1 E 1_E
# 1 2 W 2_W
# 2 3 N 3_N转换为布尔值
当列以整数（0/1）或字符串（“是”/“否”）存储 True/False 时，转换为布尔值非常有用。使用 astype(bool) 转换 0/1 整数可以直接完成：0 会变为 False，任何非零值都会变为 True。对于“是”/“否”字符串列，请先使用字典进行 map，再进行转换。
import pandas as pd
df = pd.DataFrame({
'active_int': [1, 0, 1, 0],
'active_str': ['Yes', 'No', 'Yes', 'No']
})
# Integer to bool
df['active_bool'] = df['active_int'].astype(bool)
# String to bool via mapping
df['active_bool2'] = df['active_str'].map({'Yes': True, 'No': False})
print(df[['active_bool', 'active_bool2']])
# active_bool active_bool2
# 0 True True
# 1 False False缩小数值类型
默认情况下，Pandas 使用 64 位类型。如果您的整数值能放入 32 位甚至 8 位类型，就可以缩小类型，以将内存使用量减半（或降至四分之一）。请使用 pd.to_numeric(series, downcast='integer')，或通过 astype('int32') 显式转换。这是大型数据集的一项关键优化措施。
import pandas as pd
import numpy as np
df = pd.DataFrame({'count': np.random.randint(0, 200, 1_000_000)})
print('int64 bytes:', df['count'].nbytes) # 8,000,000
df['count_int16'] = df['count'].astype('int16') # max 32767, fits 0-200
print('int16 bytes:', df['count_int16'].nbytes) # 2,000,000
# Or let Pandas choose the smallest type automatically
df['count_auto'] = pd.to_numeric(df['count'], downcast='integer')
print('auto dtype:', df['count_auto'].dtype)使用 astype(dict) 转换完整 DataFrame
您可以将一个字典传给 df.astype()，一次转换多个列，其中键是列名，值是目标数据类型。这比连续为各列赋值更清晰，也能将类型转换步骤作为管道中的一个完整代码块清楚地记录下来。
import pandas as pd
df = pd.DataFrame({
'age': ['25', '30'],
'salary': ['50000', '70000'],
'is_manager': ['1', '0']
})
df = df.astype({
'age': 'int32',
'salary': 'float64',
'is_manager': 'bool'
})
print(df.dtypes)
# age int32
# salary float64
# is_manager bool处理 astype() 中的错误
astype() 没有内置的容错模式（不同于 pd.to_numeric）。如果转换失败，它会引发 ValueError 或 OverflowError。安全的工作流程是：(1) 先清理列（去除符号，填充 NaN），(2) 再进行转换。或者，对于数值数据使用 pd.to_numeric(errors='coerce')，也可以编写一个捕获转换错误的小型辅助函数。
import pandas as pd
# Clean then cast pattern
df = pd.DataFrame({'price': ['$1,200', '$800', '$450']})
# Step 1: remove non-numeric characters
df['price_clean'] = (
df['price']
.str.replace('$', '', regex=False)
.str.replace(',', '', regex=False)
)
# Step 2: safe cast
df['price_num'] = df['price_clean'].astype(float)
print(df)
# price price_clean price_num
# 0 $1,200 1200 1200.0
# 1 $800 800 800.0
# 2 $450 450 450.0转换为 Pandas StringDtype
较新的 'string' 数据类型（大写 S 的变体或 pd.StringDtype()）旨在提供完善的字符串支持和正确的 NA 处理——它会将缺失字符串存储为 pd.NA，而不是 None 或 np.nan。它支持 .str 访问器，并且比 object 数据类型更好地保留 NA 语义；对于面向 Pandas 2 及更高版本的新代码，推荐使用此类型。
import pandas as pd
df = pd.DataFrame({'name': ['Alice', None, 'Carol']})
# Convert to the modern string dtype
df['name'] = df['name'].astype('string')
print(df['name'].dtype) # string
print(df['name'].isna()) # proper NA detection
# 0 False
# 1 True
# 2 False缩小类型时的溢出风险
将数据转换为更小的整数类型时，超出该类型范围的值会静默溢出并回绕。例如，将 300 转换为 int8（范围为 -128 到 127）会得到 44，且不会引发错误。缩小类型前，请始终确认实际数据范围适合目标类型，以避免产生隐蔽的数据损坏。
import pandas as pd
import numpy as np
df = pd.DataFrame({'value': [100, 200, 300, 127, 128]})
# int8 range: -128 to 127
df['value_i8'] = df['value'].astype('int8')
print(df)
# value value_i8
# 0 100 100
# 1 200 -56 <- overflow! 200-256 = -56
# 2 300 44 <- overflow! 300-256 = 44
# 3 127 127
# 4 128 -128 <- overflow!
# Always check range first
print(df['value'].max()) # 300 > 127 — int8 is UNSAFE here使用数据类型映射验证转换结果
完成多次类型转换后，请将实际数据类型与预期映射进行比较，以验证最终模式。这种断言模式可以捕获列转换失败等错误（例如 NaN 阻止了整数转换）。请在数据加载函数末尾执行这些检查，将其作为轻量级的模式测试。
import pandas as pd
df = pd.DataFrame({
'user_id': [1, 2, 3],
'amount': [10.5, 20.0, 30.5],
'active': [True, False, True]
})
expected = {'user_id': 'int64', 'amount': 'float64', 'active': 'bool'}
for col, dtype in expected.items():
assert str(df[col].dtype) == dtype, (
f'{col}: expected {dtype}, got {df[col].dtype}'
)
print('Schema validation passed')完整的转换管道示例
下面将所有内容结合起来：这是一个实际的 read_csv 后转换管道示例，它会清理格式、可靠地处理 NaN、转换为最合适的类型，并验证结果。这种“清理、转换、验证”的模式应成为每个数据导入函数的标准组成部分。
import pandas as pd
raw = pd.DataFrame({
'user_id': ['101', '102', '103'],
'revenue': ['$1,200', '$800', '$2,500'],
'active': ['Yes', 'No', 'Yes']
})
df = (
raw
.assign(
user_id=raw['user_id'].astype('int32'),
revenue=pd.to_numeric(
raw['revenue'].str.replace('[$,]', '', regex=True)
),
active=raw['active'].map({'Yes': True, 'No': False})
)
)
print(df.dtypes)
# user_id int32
# revenue float64
# active bool快速检查
测试您对使用 astype() 进行类型转换的理解。
课程回顾
本课中您学到了：astype(dtype) 会将列或整个 DataFrame 转换为新类型；对于包含非数值字符串的列，pd.to_numeric(errors='coerce') 更安全；向 astype() 传入字典可以一次转换多个列。请谨慎缩小类型以避免溢出，并始终使用断言验证最终模式。接下来，我们将探索节省内存的 Categorical 数据类型。
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「使用 astype() 转换类型」课时是免费的吗？
是的 — 「使用 astype() 转换类型」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。
「使用 astype() 转换类型」这节课中我会学到什么？
使用 astype() 将列转换为整数、浮点数、字符串、布尔值和日期时间，并处理常见的转换错误。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Pandas & NumPy Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「使用 astype() 转换类型」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？
能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。