### 解决方案 当尝试使用 `pd.merge()` 合并两个 DataFrame 的时候，如果指定用于连接的列具有不同的数据类型（例如一个是 `int64` 而另一个是 `object`），则会出现错误消息 "ValueError: You are trying to merge on int64 and object columns."[^1]。 为了成功执行合并操作而不引发上述异常，可以采取以下几种方法之一来统一待匹配字段的数据类型： #### 方法一：转换为相同的数据类型 最直接的方式是在进行合并之前先将两者的对应列都转成相同的 dtype。通常情况下推荐把数值型转化为字符串形式，因为这样不会丢失任何信息；当然也可以反过来处理——视具体业务需求而定。 对于本例而言，假设 df_1 中 A 或 B 列原本为 integer 类型，而 df_2 对应位置存储的是 string，则可以通过如下方式调整 dtypes: ```python import pandas as pd # 假设这是原始DataFrame的一部分 df_1 = pd.DataFrame({'A': [1, 2], 'B': ['a', 'b']}) df_2 = pd.DataFrame({'A': ['1', '3'], 'C': ['c', 'd']}) # 将df_1中的'A'列由integer变为string df_1['A'] = df_1['A'].astype(str) result = pd.merge(df_1, df_2, how='inner', on=['A']) print(result) ``` 这种方法简单明了，并且能够有效解决问题。不过需要注意的是，在某些特殊场景下可能还需要考虑缺失值的影响以及是否有必要保留原有的数据格式等问题。 #### 方法二：利用正则表达式清理脏数据后再转换类型 有时候即使表面上看起来都是数字字符组成的对象序列，但由于混入了一些不可见符号或其他干扰因素而导致无法正常完成类型转换。此时可借助于正则表达式的强大功能来进行初步净化工作之后再实施转型动作。 比如下面这段代码展示了如何去除非数字部分并将结果强制转换回整数： ```python import re def clean_and_convert_to_int(s): s_cleaned = ''.join(re.findall(r'\d+', str(s))) try: return int(s_cleaned) if s_cleaned != '' else None except ValueError: return None df_2['A'] = df_2['A'].apply(clean_and_convert_to_int).dropna().astype(int) ``` 此函数接收任意类型的输入参数s，通过正则表达式提取其中所有的连续数字片段拼接起来形成新的纯数字串，最后将其解析为 Python 整数返回给调用者。注意这里还加入了简单的错误捕捉机制用来应对极端情形下的意外状况发生时不至于让整个程序崩溃掉。 经过如此这般预处理过后就可以放心大胆地按照常规流程去做 join 操作啦！