正如root在评论中提到的，这是Pandas（和Numpy）的限制。NaN是一个浮点数，CSV中的空值是NaN。
这一点也被列在Pandas的陷阱中。
你可以用几种方法来解决这个问题。
对于下面的示例，我使用以下方法导入数据-请注意，我在列a和b中添加了一行空值

import pandas as pd
from StringIO import StringIO

data = """name,a,a1,b,b1
arnold,300311,arnld01,300311,arnld01
sam,300713,sam01,300713,sam01
test,,test01,,test01"""

df = pd.read_csv(StringIO(data), sep=",")

删除NaN行

第一个选项是删除包含此NaN值的行。这样做的缺点是，您会丢失整行。将数据放入dataframe后，运行以下命令：

df.dropna(inplace=True)
df.a = df.a.astype(int)
df.b = df.b.astype(int)

这将删除 Dataframe 中的所有NaN行，然后将列a和列b转换为int。

>>> df.dtypes
name    object
a        int32
a1      object
b        int32
b1      object
dtype: object

>>> df
     name       a       a1       b       b1
0  arnold  300311  arnld01  300311  arnld01
1     sam  300713    sam01  300713    sam01

填充占位符数据NaN

此选项将用丢弃值替换所有NaN值。这个值是你需要确定的。对于这个测试，我将其设置为-999999。这将允许使用保留其余的数据，将其转换为int，并使其明显的数据是无效的。如果稍后要根据列进行计算，则可以过滤掉这些行。

df.fillna(-999999, inplace=True)
df.a = df.a.astype(int)
df.b = df.b.astype(int)

这会产生一个类似这样的dataframe：

>>> df.dtypes
name    object
a        int32
a1      object
b        int32
b1      object
dtype: object

>>> df
     name       a       a1       b       b1
0  arnold  300311  arnld01  300311  arnld01
1     sam  300713    sam01  300713    sam01
2    test -999999   test01 -999999   test01

保留float值

最后，另一种选择是保留float值（和NaN），而不用担心非整数数据类型。

我知道这是一个老问题，但在目前的答案中有缺失的选项。
你可以指定列的类型，在例子中应该是这样的：

df = pd.read_csv('file.csv', dtype={'a': 'Int32', 'b': 'Int32'})

pandas将缺失值设置为<NA>

使用Pandas read_csv将浮点数转换为整数值-工作==========================================================================================================================================================================================================================================

# Importing the dataset
dataset = pd.read_csv('WorldWarWeather_Data.csv')
X = dataset.iloc[:, 3:11].values
y = dataset.iloc[:, 2].values
X=X.astype(int)
y=y.astype(int)

我在一些Django代码中使用了这个方法来将格式化的 Dataframe 渲染成HTML。
我没有列类型或列数的先验知识。
任何一列都有很大可能是NaN。
我想在真正的浮点数上设置精度，并保持整数值不变。
将NaN设置为永远不会使用的整数值（假设）
使用convert_dtypes()再次推断类型，而不使用NaN
将虚拟值转换回NaN（或仅使用Python None）

df.fillna(-999999, inplace=True)
df = df.convert_dtypes()
df = df.replace(-999999, None)

现在，由于缺少值而被推断为浮点数的整数列被正确地标识为整数。
假设数据集中不会有任何合法的值-999999，这种用法是安全的假设。
请注意，convert_dtypes()将float64更改为Float64，并将int64更改为Int64，这是以后应用样式等时需要记住的：

dfs = df.style.format(subset=list(df.select_dtypes(include='Float64')), precision=self.precision, na_rep='')

我使用pandas 1.5.3，下面的代码保持整数值，尽管列中有NaN值。

df = pd.read_csv("file.csv", dtype=object)