是否有一种首选的方法来保持numpy数组的数据类型固定为int(或int64或其他)，同时仍然有一个元素列在numpy. nan中?
特别是，我正在将一个内部数据结构转换为Pandas DataFrame。在我们的结构中，我们有整数类型的列，这些列仍然有NaN(但是列的dtype是int)。如果我们把它设为DataFrame，它似乎把所有东西都重铸为浮点数，但我们希望它是int。
想法吗?
试过的东西:
我尝试在pandas下使用from_records()函数。DataFrame，与coerce_float=False，这没有帮助。我还尝试使用NumPy掩码数组，使用NaN fill_value，这也没有工作。所有这些都会导致列数据类型变成浮点数。
当前回答
这现在是可能的，因为熊猫v 0.24.0
熊猫0.24。X发行说明 引用:“Pandas已经获得了保存缺少值的整型dtypes的能力。
其他回答
NaN不能存储在整数数组中。这是目前已知的熊猫的局限性;我一直在等待NumPy中NA值的进展(类似于R中的NA)，但至少需要6个月到一年的时间NumPy才能获得这些功能，看起来:
http://pandas.pydata.org/pandas-docs/stable/gotchas.html#support-for-integer-na
(从pandas的0.24版本开始就添加了这个特性，但请注意，它需要使用扩展名dtype Int64(大写)，而不是默认的dtype Int64(小写): https://pandas.pydata.org/pandas-docs/version/0.24/whatsnew/v0.24.0.html#optional-integer-na-support ）
如果性能不是主要问题，则可以存储字符串。
df.col = df.col.dropna().apply(lambda x: str(int(x)) )
然后你可以和NaN任意混合。如果您确实希望使用整数，则可以根据您的应用程序使用-1、0、1234567890或其他专用值来表示NaN。
你也可以临时复制列:一个是你已经有的，用浮点;另一种是实验性的，使用int或字符串。然后在每个合理的位置插入断言，检查两者是否同步。经过足够多的测试后，你就可以放手了。
我知道OP只要求NumPy或Pandas，但我认为值得一提的是polar作为支持所要求的功能的替代方案。
在polar中，整数列中任何缺失的值都是空值，并且该列仍然是整数列。
更多信息请参见polar -用户指南>来自Pandas。
如果文本数据中有空格，则通常为整数的列将被转换为float64 dtype类型的浮点数，因为int64 dtype不能处理空值。这可能导致模式不一致，如果您加载多个文件，其中一些带有空格(最终将为float64，而其他没有空格的文件将最终为int64
这段代码将尝试将任何数字类型的列转换为Int64(而不是Int64)，因为Int64可以处理空值
import pandas as pd
import numpy as np
#show datatypes before transformation
mydf.dtypes
for c in mydf.select_dtypes(np.number).columns:
try:
mydf[c] = mydf[c].astype('Int64')
print('casted {} as Int64'.format(c))
except:
print('could not cast {} to Int64'.format(c))
#show datatypes after transformation
mydf.dtypes
这不是所有情况下的解决方案，但我(基因组坐标)已经使用0作为NaN
a3['MapInfo'] = a3['MapInfo'].fillna(0).astype(int)
这至少允许使用适当的“本机”列类型，像减法，比较等操作可以正常工作
