Python 为什么使用loc和一个slice分配给数据帧与使用单个列不同？

我尝试从浮点到int更新列。在下面两个场景中考虑<代码> df>代码>：< /p>

df = pd.DataFrame(dict(A=[1.1, 2], B=[1., 2]))
print(df.A.dtype)

df.loc[:, ['A']] = df[['A']].astype(int)
print(df.A.dtype)
df

数据类型未能更新为

int

，但

'A'

中的值肯定被截断

---

但是,

df = pd.DataFrame(dict(A=[1.1, 2], B=[1., 2]))
print(df.A.dtype)

df.loc[:, 'A'] = df.A.astype(int)
print(df.A.dtype)
df

很好用

这些行为有不同的理由吗？

右起：

尝试将列的子集转换为指定类型时请注意 使用astype（）和loc（），将发生向上转换。loc（）试图适应什么 我们正在分配给当前的数据类型，而[]将覆盖它们 从右侧获取数据类型。因此，以下 这段代码产生了意外的结果

---

有趣的发现。只要您的

loc

选择不涉及

[]

列，它似乎就可以工作。也就是说，

df.loc[：，'A']=df[['A']].astype（int）

的工作原理类似于

df.loc[：，'A']=df.A.astype（int）

。虽然这并不构成可靠的理由，但这些差异可能与以下事实有关：在第一种情况下，您正在更改

数据帧的数据类型，而在第二种情况下，您正在更改
系列的数据类型。如果使用“df[['a']]=df[['a']].astype（int）”，它将返回类型为int64的数据类型。。。我猜它与loc和[]函数有着详细的关系，可能也会有更好的结果，因为pandas在从数据帧赋值时将
int
升级为
float
。。。这可能是因为
系列
！=
DataFrame
。我敢说这是因为
df.loc[：，'A']
是一个
系列
，但是
df.loc[：，['A']]
是一个带有一列的
DataFrame
。