Pandas是一个强大的Python数据处理库，经常与包含数值数据的DataFrame一起使用。一个常见的任务是将浮点数列（浮点数）转换为整数。本文详细介绍了在Pandas DataFrame中进行这种转换的有效方法，并突出了它们的优缺点。
目录
使用astype(int)进行浮点数到整数的转换
astype(int)方法提供了一种直接的Pandas类型转换方法。它直接将列的数据类型转换为整数。但是，理解其行为至关重要：它会截断小数部分，有效地执行向下取整操作。这意味着它会丢弃小数部分，始终向下舍入。
示例：
import pandas as pd
data = {'col1': [1.5, 2.7, 3.2, 4.9, 5.1]}
df = pd.DataFrame(data)
df['col1_int'] = df['col1'].astype(int)
print(df)
输出：
col1 col1_int
0 1.5 1
1 2.7 2
2 3.2 3
3 4.9 4
4 5.1 5
这种方法的简单性是其优势，但其不灵活的舍入行为限制了其在需要其他舍入策略时的适用性。
利用pd.to_numeric()进行灵活的转换
pd.to_numeric()提供了更大的控制和灵活性。虽然它主要用于将各种数据类型转换为数字格式，但它对于浮点数到整数的转换非常有效，尤其是在与舍入函数结合使用时。
带有舍入的示例：
import pandas as pd
import numpy as np
data = {'col1': [1.5, 2.7, 3.2, 4.9, 5.1, np.nan]}
df = pd.DataFrame(data)
df['col1_int'] = pd.to_numeric(df['col1'], errors='coerce').round().astype(int)
print(df)
输出：
col1 col1_int
0 1.5 2
1 2.7 3
2 3.2 3
3 4.9 5
4 5.1 5
5 NaN NaN
这里，errors='coerce'通过将非数值值转换为NaN来优雅地处理非数值值。round()在最终astype(int)转换之前将值舍入到最接近的整数。
错误处理和高级舍入
为了更精确地控制舍入，可以使用NumPy的函数：
np.floor()：向下舍入到最接近的整数。np.ceil()：向上舍入到最接近的整数。
记住使用pd.to_numeric()中的errors参数来处理潜在的错误（例如非数值值）。选择'coerce'会用NaN替换有问题的数值，防止错误。或者，'raise'会引发异常，而'ignore'会保留未经处理的非数值值。