pandas 3.0.1 空表求和报 could not convert string to float

筛选结果一行也没有，调用 DataFrame.sum() 却报 ValueError: could not convert string to float: ''。如果表里同时保留字符串列和数值列，且环境是 pandas 3.0.1、启用了 Arrow 字符串存储，应先检查空表聚合的回归，不必马上去原始 CSV 里寻找空字符串数字。

pandas 3.0.2 已包含这项修复。这个版本结论针对空的混合类型 DataFrame，不代表任意字符串列都能参与数值求和。

没有行，仍然有列和 dtype

下面是触发形状，数据仅用于说明：

import pandas as pd

df = pd.DataFrame({"label": ["x", "y"], "amount": [1, 2]})
selected = df.loc[df["amount"] > 10]
print(selected.shape)
print(selected.dtypes)
result = selected.sum()

selected 的行数为零，字符串列与整数列却仍存在。受影响路径中，Arrow 字符串列的空和得到空字符串，数值列的空和得到零，合并结果时又尝试统一转换成浮点，最终在空字符串处失败。

因此，要保留报错前的 shape、各列 dtype 和实际 pandas 版本。若表并不为空，或错误直接来自 astype(float)、to_numeric()，应按真实转换入口排查，不能仅因消息相同就认定属于这次回归。

只统计金额，就明确选择金额

报表如果只需要金额总计，可以收窄参与聚合的列：

amount_total = selected["amount"].sum()
# 或者：确实需要表内所有数值列时
numeric_totals = selected.sum(numeric_only=True)

后一种写法会排除文本列，也可能排除被错误读成文本的数值字段。修改前先检查这些列是否本来应该参加统计，不能用 numeric_only=True 把导入类型错误一起隐藏。

min_count 又决定了空输入或不足数量的有效值是否允许得到零。例如，业务规定“没有有效金额就显示缺失”时，可以使用 selected["amount"].sum(min_count=1)。它改变的是空统计的含义，不是字符串转换修复的开关。

需要保留混合列结果时，使用修复版本

如果下游确实接收所有列的聚合结果，应在隔离环境选择兼容项目且包含修复的 pandas 3.0.2 或后续正式版本，保留原锁文件再比较输出。不能为了止住一次异常，把全部文本转换成零，或者把 sum() 包进宽泛异常处理后返回一个空字典。

比较原来有数据的表、筛选为空的表，以及金额全缺失的表；分别核对结果索引、值和缺失标记。字符串列的聚合含义还会受存储类型影响，不应把“所有空列一律为零”写成跨类型契约。若报表已经落库，先保留旧输出，再按真实业务键核对受影响日期，避免修复后悄悄覆盖历史统计。