我遇到了一个奇怪的类型转换问题。。我用整数值填充了一个pandas类型的'float'列。当然，它们被表示为浮点算术数字，但仍然“精确”到int精度。将它们转换为int工作起来很有魅力，但直接转换为Int会崩溃。
假设pandas DataFrame pp有一个列Value。所有写入其中的值都是'int'，然后保存为类型float。

print(f"pp['Value']:\n{pp['Value']}")
pp['Value']:
0      3500000.0
1       600000.0
2       400000.0
3      8300000.0
4      5700000.0
5      4400000.0
Name: Value, dtype: float64

显然pp['Value']的dtype是float，因为它可能包含NaN（即使在这里，所有值都是整数）。
现在我希望这个系列的类型是Int64。应该工作，对吧？但是：不执行：pp['Value'].astype('Int64')引发TypeError: cannot safely cast non-equivalent float64 to int64
嗯？一个int变成了不可转换为float？好吧，这是可能发生的..所以让我们看看我们是否可以安全地转换为int？[注意：仅适用于此处的示例。如果系列包含NaN，则不是解决方案]
Appraoch A：将序列转换为int64-工作起来很有魅力（数字真的都是整数可转换的）：

pp['Value'] = pp['Value'].astype('int64')
print(f"pp['Value']:\n{pp['Value']}")
pp['Value']:
0      3500000
1       600000
2       400000
3      8300000
4      5700000
5      4400000
Name: Value, dtype: int64

好吧，那么...什么？？转换到int工作，而Int失败？等一下..
方法B：让我们仔细看看，单独转换每个元素，并检查是否有任何值有一些奇怪的浮点算术问题。事实上，我们看到1个案例失败了：第四个值显示为.0000001的奇怪浮点算术。但是：无论如何，pandas知道如何将其转换为int。所有值都可以很好地转换，正如我所希望的那样：

for idx, row in pp.iterrows():
   print(f"{idx}: value = {row['Value']}, residual vs. int: {row['Value']%row['Value']}, int value: {int(row['Value'])}")
0: value = 3500000.0, residual vs. int: 0.0, int value: 3500000
1: value = 600000.0, residual vs. int: 0.0, int value: 600000
2: value = 400000.0, residual vs. int: 0.0, int value: 400000
3: value = 8300000.000000001, residual vs. int: 0.0, int value: 8300000
4: value = 5700000.0, residual vs. int: 0.0, int value: 5700000
5: value = 4400000.0, residual vs. int: 0.0, int value: 4400000

所以：等一下......这里发生了什么？我可以将int输入到浮点列中，遭受浮点算术问题。好的，明白了。但是，虽然我可以安全地转换回int（所有值单独或整个系列），但我不能转换为Int64？？
--〉为什么pandas/python本身就知道如何转换为int64，而转换为Int64会显示浮点运算问题？
编辑注解：

pp['Value'] = pp['Value'].round().astype('Int64')

确实是一个解决方法..这应该是完全不必要的，因为pp ['Value'].astype（'int'）可以工作（当然，除了NaN记录...）