您可以使用以下命令：

df = df.astype(str)

出于好奇，我决定看看在效率方面，公认的解决办法和我的解决办法是否有什么不同。
结果如下：
实施例DF：

df = pd.DataFrame([list(range(1000))], index=[0])

测试df.astype：

%timeit df.astype(str) 
>> 100 loops, best of 3: 2.18 ms per loop

测试df.applymap：

%timeit df.applymap(str)
1 loops, best of 3: 245 ms per loop

看来df.astype是相当快得多：）

您可以使用applymap方法：

df = df.applymap(str)

• • 在panda〉= 1.0的情况下，现在有一个专用的字符串数据类型：**

可以使用.astype('string')将列转换为pandastring数据类型：

df = df.astype('string')

这与使用str不同，str设置Pandas的'object'数据类型：

df = df.astype(str)

当您查看 Dataframe 的信息时，您可以看到数据类型的差异：

df = pd.DataFrame({
    'zipcode_str': [90210, 90211] ,
    'zipcode_string': [90210, 90211],
})

df['zipcode_str'] = df['zipcode_str'].astype(str)
df['zipcode_string'] = df['zipcode_str'].astype('string')

df.info()

# you can see that the first column has dtype object
# while the second column has the new dtype string
 #   Column          Non-Null Count  Dtype 
---  ------          --------------  ----- 
 0   zipcode_str     2 non-null      object
 1   zipcode_string  2 non-null      string
dtypes: object(1), string(1)

来自文档：
'string'扩展类型解决了对象dtype NumPy数组的几个问题：
1)你可能会意外地在对象数据类型数组中存储字符串和非字符串的混合体。StringArray只能存储字符串。
2) object dtype breaks dtype-specific operations like DataFrame.select_dtypes(). There isn’t a clear way to select just text while excluding non-text, but still object-dtype columns.
3)读代码时，对象数据类型数组的内容不如字符串清楚。
有关Pandas1.0的信息可以在这里找到：
https://pandas.pydata.org/pandas-docs/version/1.0.0/whatsnew/v1.0.0.html

这对我很有效：

dt.applymap(lambda x: x[0] if type(x) is list else None)