业务逻辑是需要将一个csv读入，然后进行一些处理，比如对多个元素求和、求方差等等。要求忽略非数值型数据，而pandas的忽略数值型是整行整列的忽略，所以自然不能满足我的业务要求。于是，我这里的方案是先取出要计算的元素，然后进行数据清洗，再进行计算。

这里就会存在一个问题，浮点数的问题。众所周知，浮点数在计算机中是没有办法完全精确表示的。所以会有保留精度。

这在调用 pandas的内置方法 to_numeric 的时候更是凸显了出来：

字符串 2.067 在用该方法转为数值的时候，被认为是浮点型，依照规范，python中的浮点数是保留17位精度，所以可以得到这样的结果。

解决方案：

我是放弃了这个方法，为了保证小数的精度，所以采用了decimal模块的Decimal类。

decimal是可以高精度计算的，为什么不用上面的方面了呢，一个是本身存在的问题，还有就是它的浮点数类型都是float，精度不够高，所以综合权衡了下，采用的是decimal。

from decimal import Decimal

import pandas as pd
import numpy as np


def convert_num(x, fill=None):
    x = str(x)
    try:
        res = Decimal(x)
    except Exception:
        res = fill if fill else np.NaN
    return res


df = pd.DataFrame([['3.517', '1', '2.06789464564654654654646', 2.067, 'sdf']])
df = df.applymap(lambda x: convert_num(x))
print(df)
[print(data) for data in df.loc[0]]
print(df.iloc[0, 2])

代码非常简单，调用的是applymap函数，它与apply函数的区别就是，applymap是针对于每个元素的，而apply是针对于行列级别的。

利用Decimal类转化的时候，参数需要用字符串才能保证其正确性，所以我是在方法里的第一行就将参数转为了字符串，能转化为数值的它都会转化过去，不能转化的它会抛异常，所以捕获异常后，当前的字符串一定是一个非数值型数据，那么我也模仿pandas的一些内置方法，将其置为nan。

结果如下：

另外，还有一点需要注意的是，applymap是只接收一个func，不像apply，后面可以传入该func的参数，所以想给applymap里的func传参，我采用的是lambda表达式的写法。