用"Int64"显式指定dtype可创建支持缺失值的整数类型，需在创建时设置，后续astype转换会失败；convert_dtypes()可批量修复float64列，但要求非缺失值能无损转整数。
用 "Int64" 显式指定 dtype 是最直接的解法
默认情况下，pd.DataFrame 或 pd.Series 遇到 [1, 2, None] 这类混合数据，会自动升格为 float64，把 None 变成 NaN，整数也变 1.0。这不是 bug，是旧版 Pandas 的兼容性设计。要跳过这一步，必须主动告诉 Pandas：“我要的是能存缺失值的整数”，而不是等它猜。
-
"Int64"（注意大写I）是字符串别名，对应pd.Int64Dtype()，它底层用pd.NA表示缺失，不依赖np.nan - 必须在创建时指定，比如
pd.Series(data, dtype="Int64")；后续用.astype("Int64")会失败（因为已有float64中的NaN无法直接转） - 支持所有常见缺失表示：
None、np.nan、pd.NA都会被统一转为<na></na>
import pandas as pd s = pd.Series([1, 2, None, 999], dtype="Int64") # 输出： # 0 1 # 1 2 # 2 <NA> # 3 999 # dtype: Int64
convert_dtypes() 能批量修复已有列，但有前提
如果你已经读入了 CSV 或其他来源的数据，列已经是 float64 带 NaN，又想“抢救”回可空整数类型，.convert_dtypes() 是首选工具 —— 但它不会无脑转换，得满足条件。
- 列中所有非缺失值必须能无损转为整数（例如
1.0、5.0可以；1.5不行） - 默认启用
convert_integer=True，且dtype_backend="numpy_nullable"（Pandas 2.0+ 默认） - 如果原始列是
object类型混了字符串，它会跳过，不报错也不强转
df = pd.DataFrame({"x": [1.0, 2.0, float("nan"), 4.0]})
df_converted = df.convert_dtypes()
# df_converted["x"].dtype → Int64别混用 np.nan 和 pd.NA，尤其在计算和比较中
可空整数类型表面看只是“整数 + 缺失”，但行为和传统 int64 或 float64 不同。最常踩的坑是逻辑运算和聚合函数返回 <na></na> 而不是标量。
-
s == 5对含<na></na>的 Series，结果中对应位置是<na></na>，不是False—— 因为“未知是否等于 5”不等于“不等于 5” - 聚合如
.sum()、.mean()会自动跳过<na></na>，但.count()统计的是非缺失个数，不是总长度 - 若下游代码要求纯布尔数组（比如用于
.loc），得手动.fillna(False)或.dropna()
注意实验性标识和向下兼容边界
Int64 等 nullable 类型从 Pandas 1.0 开始引入，文档至今仍标注为“experimental”，意味着 API 可能微调（比如未来可能改名或合并进新 backend），但实际生产环境已非常稳定。
- NumPy 互操作需谨慎：转成
np.array(s)会丢失<na></na>，变成object数组或抛错，要用s.to_numpy(dtype="int64", na_value=-1)显式填充值 - 老版本 Pandas（float64 +
np.nan，或自己封装object列存 Pythonint/None - 数据库写入（如 SQLAlchemy）可能不识别
Int64，需提前.astype("Int64").replace({pd.NA: None})
真正关键的不是“能不能用”，而是“什么时候必须用”：当你处理 ID、编码、计数类字段，且缺失语义明确（不是测量误差，而是“未采集”或“不适用”），这时用 Int64 能守住数据本意，避免浮点精度污染和类型混淆。
