Year 欄位含 NaN，怎麼安全轉換成整數？
原題
研究團隊接下來想要將 Year 欄位轉換為整數型態，以便後續進行年份趨勢分析。考慮到資料中可能包含缺失值（NaN），請選出最合適的轉換方式。
白話
vgsales.csv 的 Year 欄位目前是 float64，部分資料有缺失值（NaN）。研究團隊要把它轉成整數型態，方便做年份相關的趨勢分析。四個選項各提供了不同的轉換語法，有的在碰到 NaN 時會直接報錯，有的會用假值填補，有的能保留 NaN 同時轉成整數型別。
問你：在資料可能含有缺失值的情況下，哪一種轉換方式最合適？
先自己選一個答案，再看完整解析。
一句話總結
含缺失值的欄位要轉整數，最合適的方式是 astype('Int64')（大寫 I）：這是 pandas 的可空整數型別，可以同時存放整數值和 NaN，不需要先填補缺失值。直接 astype(int) 會報錯，fillna(0) 或 fillna(1) 用假值污染資料。
情境
先感受問題：轉型前要先處理 NaN 嗎？
遊戲研究公司的分析師小凱確認了 Year 欄有幾筆 NaN（某些遊戲沒有記錄發售年份）。他要把 Year 轉成整數以便按年份計算趨勢，但馬上發現問題：
方案一：直接 astype(int)
→ 執行後立刻報錯：Cannot convert non-finite values (NA or inf) to integer
方案二：fillna(0).astype(int)
→ 不報錯，但缺失年份被填成 0，分析時會出現「0 年」的假資料，污染趨勢圖
方案三：fillna(1).astype(int)
→ 同樣污染，缺失年份變成「西元 1 年」，更荒謬
方案四：astype('Int64')（大寫 I）
→ 成功轉換，dtype 變成 Int64，NaN 保留為 <NA>，不污染資料
正確答案是方案四：用 pandas 的可空整數型別 Int64，讓缺失值保持缺失，不用假值填補。
舊方法
三個錯誤做法各有什麼問題
- astype(int) 直接轉型：numpy 的 int 型別不支援 NaN，遇到缺失值就拋出 ValueError，整個轉換中斷。只有在確認資料完全沒有缺失值的情況下才能安全使用。
- fillna(0).astype(int) 填零再轉：技術上不報錯，但把缺失年份填成 0，年份分析時「西元 0 年」的資料就成了假資料。做趨勢圖時 x 軸會多一個 0，嚴重干擾視覺呈現和統計結果。
- fillna(1).astype(int) 填 1 再轉：和 fillna(0) 同樣的問題，只是假值換成 1，遊戲發售年份出現「西元 1 年」更不合邏輯，是語義上更嚴重的錯誤。
- 不處理 NaN 就分析：如果不轉型就直接做年份趨勢分析，float64 的年份計算可能出現 2006.0 這樣的小數年份，且 NaN 會在 groupby 等操作時被自動跳過，行為有時不符合預期。
- drop NaN 後再轉型：dropna() 後再 astype(int) 是另一種做法，但這會永久刪除有 NaN 的整筆資料，損失其他欄位的有效資訊。Int64 保留 NaN 是更好的選擇。
新方法
astype('Int64') 一行搞定：轉整數又保留缺失值
小凱最終採用：
data['Year'] = data['Year'].astype('Int64')
轉換後驗證：
data['Year'].dtype → Int64
data['Year'].isna().sum() → 同前（NaN 筆數不變）
data['Year'].head() → 2006, 1985, 2008, <NA>, 2010（有缺失的顯示 <NA>）
轉換後 dtype 顯示 Int64（大寫），缺失值以 pandas 的 <NA> 表示，不是 numpy 的 nan，且整欄都是整數值，可以直接做年份趨勢分析。這就是選項 D 講的：data['Year'] = data['Year'].astype('Int64')。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
Step 1 純故事版
想像兩種信封：一種只能裝數字（numpy int64），另一種可以裝數字或一張「此信封空著」的說明卡（pandas Int64）。當你有幾封空信封時，只能用第二種信封盒子來收納它們。fillna(0) 是把空信封強制塞進「0」這個假內容，讓人以為裡面有東西。astype('Int64') 是換成能正確標記「空著」的信封盒，不需要造假。
Step 2 中文 ↔ 程式碼對照
| 情境 | 程式碼與結果 |
|---|---|
| 直接轉，有 NaN 時報錯 | astype(int) → ValueError |
| 填 0 後轉，NaN 變假資料 | fillna(0).astype(int) → dtype: int64，NaN→0 |
| 轉可空整數，NaN 保留 | astype('Int64') → dtype: Int64，NaN→<NA> |
| 確認型別 | data['Year'].dtype → Int64 |
| 確認缺失值個數不變 | data['Year'].isna().sum() |
Step 3 符號角色表
- int64（小寫 i）：numpy 的 64 位元整數型別，不支援 NaN，遇到缺失值報錯。
- Int64（大寫 I）：pandas 1.0+ 推出的可空整數型別（Nullable Integer Dtype），用 pandas.NA 表示缺失值，支援整數和 NaN 共存。
- pandas.NA 和 numpy.nan：Int64 欄的缺失值顯示為 <NA>（pandas.NA），與 float64 欄的 nan（numpy.nan）不同，但 isna() 和 isnull() 都能偵測到兩者。
- astype()：pandas Series 的型別轉換方法，傳入字串 'Int64' 時使用可空整數，傳入 int 時使用 numpy int（不可空）。
- fillna()：用指定值填補缺失值的方法，使用時需確保填入的值在語意上合理，否則會污染資料。
Step 4 完整公式對應
本題沒有數學公式，核心是 pandas 的型別系統設計：
- numpy int64：不可為空，記憶體效率高，不支援 NaN。
- pandas Int64：可為空（Nullable），底層用 numpy int64 + 一個 boolean 遮罩（mask）標記哪些位置是 NA，記憶體比 float64 更精確表達整數意圖。
- float64：浮點數，用 IEEE 754 的 nan 表示缺失，轉整數後會有精度疑慮（2006.9999 可能因捨入誤差導致問題）。
Step 5 自我複述
- astype(int) 和 astype('Int64') 最關鍵的差別是什麼？
- fillna(0).astype(int) 技術上不報錯，為什麼在年份分析中是壞做法？
- Int64 的缺失值顯示為 <NA>，和 float64 的 nan 有什麼不同？isna() 都能偵測嗎？
- 如果已確定 Year 欄完全沒有缺失值，應該用 astype(int) 還是 astype('Int64')？
- 讀 CSV 時如果想直接把 Year 欄讀成 Int64，應該怎麼寫 read_csv 參數？
錯選項
為什麼其他選項是錯的
Aastype(int)
字面在說什麼
直接把 Year 欄轉成整數型態。
為什麼不對
numpy int（即 int64）不支援 NaN 值。Year 欄有缺失值，執行 astype(int) 時會拋出 ValueError："Cannot convert non-finite values (NA or inf) to integer"。程式會在這行中斷，無法繼續執行。
誰會選錯
只知道「轉整數用 astype(int)」但不知道 int 無法存 NaN 的人，或者沒有仔細看題目說「考慮到可能包含缺失值」這個提示的人。
Bfillna(0).astype(int)
字面在說什麼
先把缺失值填成 0，再轉整數，兼顧了 NaN 問題和型別轉換。
為什麼不對
技術上不報錯，但語意上錯了。把缺失的年份填成 0（西元 0 年）是無意義的假資料。後續做年份趨勢分析時，x 軸出現「Year = 0」，嚴重影響視覺化和統計正確性。題目說「最合適」，語意上正確才算合適。
誰會選錯
只想解決「不能有 NaN」的問題，沒有考慮填入假值對後續分析的影響。看到「不報錯」就認為是正確答案的人。
Cfillna(1).astype(int)
字面在說什麼
先把缺失值填成 1，再轉整數，這樣 NaN 問題和型別轉換都解決了。
為什麼不對
和選項 B 同樣的問題，只是假值更荒謬。把遊戲缺失的發售年份填成 1（西元 1 年），比填 0 更明顯是錯誤的，任何人看到 Year = 1 都知道是假資料。fillna 填入的值必須要有語意合理性，1 對年份分析沒有任何意義。
誰會選錯
同選 B 的人，但選了更荒謬的填補值。
變形題
同個考點下次怎麼變形
答案
可以。Int64 欄支援 groupby、sum()、mean() 等操作，行為和 int64 類似。差別在於：涉及 <NA> 的計算預設會跳過缺失值（類似 skipna=True），不會因為 NaN 讓整個聚合結果變成 NaN。這讓後續的年份趨勢分析（例如每年遊戲銷售量 groupby Year）能正確運作。
答案
沒有缺失值時，astype(int) 或 astype('int64') 稍微更好，因為 numpy int64 的記憶體效率比 pandas Int64 高（Int64 需要額外的 boolean 遮罩），且與 numpy 運算的相容性更高。但如果不確定資料後續會不會引入 NaN，保守起見用 Int64 也沒問題。
答案
兩種：(1) pd.array(data['Year'], dtype='Int64')，等效於 astype('Int64')。(2) 如果確定要刪掉有 NaN 的資料，先 dropna(subset=['Year']) 再 astype('int64')，但這會永久刪除整筆資料列。最安全的做法仍是 astype('Int64')，保留缺失值資訊，後續視分析需求決定如何處理。
答案
保留缺失值（Int64）：缺失本身有意義（例如某遊戲真的沒有記錄年份），或後續分析工具能自動跳過 NaN。填補（fillna）：缺失值必須被處理才能進行特定分析（例如機器學習模型不接受 NaN），且填入的值語意合理（例如年齡缺失填平均年齡）。以中位數、平均數、眾數填補是常見的合理策略；填 0 或 1 通常是語意錯誤的。
答案
兩行驗證：data['Year'].dtype 應該顯示 Int64（注意大寫 I）；data['Year'].isna().sum() 的結果應與轉換前相同（缺失值個數不變）。如果 dtype 是 int64（小寫）就表示轉換到了 numpy int，不是可空整數。isna().sum() 變成 0 表示缺失值被意外填補了，需要重新檢查轉換步驟。
延伸
想再往下看，這 5 個
- 資料填補（Data Imputation）
決定是否填補 NaN 及填什麼值，是資料前處理最需要謹慎的決策，直接影響下游分析的正確性。 - 資料前處理（Data Preprocessing）
型別轉換是資料前處理的標準步驟，必須在建模或分析之前確保每個欄位的型別符合需求。 - 特徵工程（Feature Engineering）
Year 轉整數後可以進一步衍生特徵，例如計算遊戲上市至今年數、做年份分組等。 - 資料管線（Data Pipeline）
生產環境中，型別推斷和轉換通常寫在資料管線的前處理步驟，確保下游模型收到乾淨資料。 - 資料品質監控（Data Quality Monitoring）
缺失值比例和型別一致性是資料品質的關鍵指標，建立監控機制能及時發現上游資料問題。