Pandas 3 中 astype 转换为何触发 LossySetItemError？

结论

报错发生在赋值时：data.iloc[:, i].astype(np.float64) 会返回一个 float64 Series，但写回 data.iloc[:, i] 时，赋值目标仍是原来的 int64 列。小数无法无损存入整数列，因此 Pandas 3 会抛出 LossySetItemError，并显示 Invalid value ... for dtype 'int64'。

按位置使用 DataFrame.isetitem 替换整列后，DataFrame 会接收新列的 float64 dtype。列名为 MultiIndex 时也可以使用这个方法。

替换列并转换类型

import numpy as np
import pandas as pd

data = pd.read_excel("file_name.xlsx", header=[10, 11])

for i in range(1, len(data.columns)):
    converted = data.iloc[:, i].astype(np.float64)
    data.isetitem(i, converted)

这里跳过位置为 0 的时间列，将其余列逐列转换。isetitem(i, converted) 按列位置替换整列，DataFrame 中的 MultiIndex 列标签会保留。

如果还需要归一化，也可以计算后替换整列，避免将小数结果写回原来的整数列。下面的示例按每列的最小值和最大值进行 min-max 归一化：

for i in range(1, len(data.columns)):
    values = data.iloc[:, i].astype(np.float64)
    minimum = values.min()
    maximum = values.max()

    if maximum == minimum:
        # 常数列无法按 max - min 归一化；这里将其置为 0.0
        normalized = pd.Series(0.0, index=values.index)
    else:
        normalized = (values - minimum) / (maximum - minimum)

    data.isetitem(i, normalized)

如果只想将每个值除以该列最大值，可以把计算改为 values / maximum。要先处理最大值为 0 的列，以免除零。仅除以最大值后，只有数据非负且最大值非零等条件成立时，结果才会落在 0 到 1 之间。

为什么 astype 仍然报错

astype 已经完成了 Series 的类型转换，问题出在后续赋值。原代码：

data.iloc[:, i] = data.iloc[:, i].astype(np.float64)

会把新 Series 的值写入已有列。错误信息中的 dtype 'int64' 指的就是赋值目标原来的 dtype。归一化产生的除法结果也是 float64；如果目标列仍是 int64，用相同的 iloc 赋值也可能触发这个问题。需要替换整列，而不只是转换右侧的 Series。

注意事项

• 示例跳过第一列，前提是它确实是无需处理的时间列。如果时间列位置不同，请相应调整循环范围。
• 使用 read_excel 的 dtype 参数按列指定类型时，MultiIndex 列标签可能需要与实际列标签匹配。如果不确定标签格式，可以在读入后按位置转换并替换整列。
• 如果列中有文本或其他无法转换为浮点数的值，astype(np.float64) 仍会失败。需要先确认这些值是否应该清洗或视为缺失值。

备注：内容仅供参考。