pandas链式操作中dtype丢失主因是隐式类型升格，尤其涉及NaN时；应优先用pd.NA和"Int64"等可空类型、显式astype、convert_dtypes兜底修复。
在 pandas 中进行 chain 操作（如 .assign()、.pipe()、.loc[] 链式调用）时，dtype 丢失通常不是 pandas 主动“丢弃”，而是某些操作隐式触发了类型推断或升格（例如从 int64 变成 float64），尤其是涉及缺失值（NaN）或混合类型赋值时。关键在于理解哪些操作会破坏 dtype，并主动干预。
避免 .loc 和 .iloc 赋值导致的 dtype 升级
当对整数列使用 .loc 赋值 NaN 或浮点数时，pandas 会自动将列转为 float64（因原生 int 不支持 NaN）。若需保留整数语义并允许缺失，应改用可空整数类型：
- 初始化时用
pd.Int64Dtype()（注意是首字母大写的Int64，非int64） - 链式中转换：用
.astype("Int64")（字符串形式）或.astype(pd.Int64Dtype()) - 赋值前确保目标值兼容，例如用
pd.NA替代np.nan（后者仍会触发 float 升级）
慎用 .assign() 中的字典式赋值
.assign(**dict) 会对每个新列单独推断 dtype。如果传入的 Series 或数组含 None/np.nan，且未显式指定类型，结果很可能是 object 或 float64：
- 推荐写法：
.assign(new_col=lambda df: df.x.astype("Int64"))，显式控制输出类型 - 避免：
.assign(new_col=[1, 2, None])—— 此时会推断为object；应改为pd.array([1, 2, pd.NA], dtype="Int64") - 对已有列重赋值也同理：用
lambda df: df.col.fillna(-1).astype("Int64")而非直接传计算结果
用 .convert_dtypes() 主动恢复最优类型
该方法是链式中“兜底”修复 dtype 的最简方式，它会将 object 列转为 string、数值列转为 nullable 类型（Int64, boolean, string），并处理 NA：
- 放在 chain 末尾：
df.query("x > 0").assign(y=lambda d: d.x * 2).convert_dtypes() - 注意：它不改变已有的
float64或datetime64，只优化可改进的列（如 object → string，int → Int64） - 若需强制某列为特定 nullable 类型，仍建议在中间步骤显式
astype
警惕 .pipe() 内部函数的隐式类型转换
自定义 pipe 函数若返回新 DataFrame，其列 dtype 完全取决于函数内部逻辑。常见陷阱包括：
- 用
np.where生成结果时，若else分支含np.nan，整个结果会是float64；应改用pd.Series.where().mask()或配合pd.NA和astype("Int64") - concat 多个 Series 时，确保它们 dtype 一致，否则 pandas 会升格；可用
pd.concat(..., ignore_index=True).astype("Int64", errors="ignore") - 函数内尽量复用原始列的 dtype：如
ser.dtype == "Int64"时，新列也优先用"Int64"
