另一种方法（但感觉有点黑客）：
与loc或iloc一起使用整数不同，您可以使用长度为1的切片器。这将返回长度为1的DataFrame，因此iloc[0]包含您的数据。例如

In[1] : row2 = df[2:2+1]
In[2] : type(row)
Out[2]: pandas.core.frame.DataFrame
In[3] : row2.dtypes
Out[3]: 
a      int64
b     uint64
c    float64
In[4] : a2 = row2.a.iloc[0]
In[5] : type(a2)
Out[5]: numpy.int64
In[6] : c2 = row2.c.iloc[0]
In[7] : type(c2)
Out[7]: numpy.float64

字符串
对我来说，这感觉比两次转换数据类型更好（一次是在行提取期间，一次是在之后），并且比使用相同的行规范多次引用原始DataFrame更清晰（这可能在计算上很昂贵）。
我认为如果pandas有一个DataFrameRow类型来处理这个问题会更好。

正如你已经意识到的，series不允许混合dtypes。但是，如果你将其dtypes指定为object，它允许混合数据类型。所以，你可以将数组的dtypes转换为object。每个列都将是dtype object，但每个值仍然保持其数据类型int和float

df1 = df.astype('O')

Out[10]:
   a   b   c
0  0   0   0
1  1   1   1
2  2   4   8
3  3   9  27
4  4  16  64

In [12]: df1.loc[2].map(type)
Out[12]:
a      <class 'int'>
b      <class 'int'>
c    <class 'float'>
Name: 2, dtype: object

字符串
否则，您需要将%{v_扩展}转换为np.recarray

n_recs = df.to_records(index=False)

Out[22]:
rec.array([(0,  0,  0.), (1,  1,  1.), (2,  4,  8.), (3,  9, 27.),
           (4, 16, 64.)],
          dtype=[('a', '<i8'), ('b', '<u8'), ('c', '<f8')])

型

在official documentation中，使用和.loc返回DataFrame而不是Series。这会保留列的dtype。使用原始示例：

>>> import numpy
>>> import pandas
>>> a = numpy.arange(5, dtype='i8')
>>> b = numpy.arange(5, dtype='u8')**2
>>> c = numpy.arange(5, dtype='f8')**3
>>> df = pandas.DataFrame({'a': a, 'b': b, 'c': c})
>>> df.dtypes
a      int64
b     uint64
c    float64
dtype: object

>>> df
   a   b     c
0  0   0   0.0
1  1   1   1.0
2  2   4   8.0
3  3   9  27.0
4  4  16  64.0

>>> df.loc[[2]]
   a  b    c
2  2  4  8.0

>>> df.loc[[2]].dtypes
a      int64
b     uint64
c    float64
dtype: object

>>> df.loc[[2]].iloc[0].name 
2

字符串