pandas pivot_table之数值精度丢失陷阱

        pandas的pivot_table函数可以指定行列值重新制表，并且对于同一行列索引下的多个值会进行聚合运算，默认是均值运算，因此，这里如果我们默认其aggfunc的均值运算，那么会存在将其他数值类型转为浮点值的行为，如果原本是数值较大的整型，超出了64位浮点数能精确表示的最大范围的话，这里就会存在精度丢失现象。

        尽管我们可以让aggfunc=lambda x:x，即不对value做任何操作，这样不会存在均值计算，但是实际上还会存在精度丢失的情况。看如下是pivot_table函数的源码的一部分，当values是整型的时候，这里会将其转为浮点数，因此同样可能会造成精度丢失。

if dropna and isinstance(agged, ABCDataFrame) and len(agged.columns):
        agged = agged.dropna(how='all')

        # gh-21133
        # we want to down cast if
        # the original values are ints
        # as we grouped with a NaN value
        # and then dropped, coercing to floats
        for v in [v for v in values if v in data and v in agged]:
            if (is_integer_dtype(data[v]) and
                    not is_integer_dtype(agged[v])):
                agged[v] = maybe_downcast_to_dtype(agged[v], data[v].dtype)

        对于数值较大的整型，对此的解决办法就是将其转为字符串，这样就不存在数值类型的转化和处理，当然前提是要将aggfunc设为lambda x:x，不然均值计算在没有数值类型的值的情况下会报错。这样做的缺点就是会增加内存使用。