最直接方法是用 dtype 参数指定列类型：dtype={“user_id”: str} 或 dtype={0: str}；处理含空值的数字列时，必须同时设置 keep_default_na=False 和 na_values=None。
用 dtype 参数指定列类型最直接
read_csv 默认会尝试推断每列数据类型，遇到全数字就转成 int 或 Float。要强制某列为 String，必须显式传入 dtype 参数，值为字典：键是列名（或列索引），值是 str 或 Object（二者在此场景下等效）。
- 列名存在且稳定时，优先用列名：
dtype={"user_id": str, "code": str} - 列名可能缺失或含空格，可用列索引：
dtype={0: str, 2: str} - 若整张表都需保持原始字符串，直接用
dtype=str（但会关闭类型推断，所有列都变 object） - 注意：如果该列后续有
na_values或keep_default_na=False等设置，空值仍可能被识别为NaN，此时列类型仍是object，但元素混合了str和float（NaN是 float）——这不是你想要的，得配合keep_default_na=False+na_values=None控制
处理含缺失值的数字列转 string 的坑
这是最常踩的坑：一列看起来是“123”、“456”、“”，read_csv 默认把空转成 NaN，而 NaN 是浮点类型，导致即使你写了 dtype={"col": str}，最终该列仍是 object 类型，但内部混着 str 和 float（NaN），调用 .str.upper() 会报 AttributeError。
- 正确做法是关掉默认 NaN 解析：
keep_default_na=False - 同时清空自定义空值列表：
na_values=None（否则na_values=[""]这类默认值仍生效） - 完整示例：
pd.read_csv("data.csv", dtype={"id": str}, keep_default_na=False, na_values=None)
列名还没读出来时怎么指定 dtype？
有时 CSV 没有 header，或者 header 行本身含异常字符，你想跳过它再读，但又需要对特定位置的列设类型——这时不能靠列名，只能靠列序号。
- 用
header=None让 pandas 不把第一行当列名，列自动命名为 0, 1, 2… - 再用
dtype={1: str, 3: str}指定第 2 列、第 4 列为 string - 如果还用了
skiprows=1跳过脏 header，注意skiprows在header解析前执行，列序号仍从实际读取的第一行开始计数
为什么不用 converters？
converters 看似灵活（例如 converters={"id": str}），但它是在 dtype 推断之后才执行的，属于“后处理”。这意味着：如果原列被识别为 int，而其中有非法值（如 “123abc”），read_csv 会先报错或转成 NaN，根本走不到 converters；而 dtype 是底层解析阶段控制，能避免类型冲突提前中断。
所以除非你需要做复杂转换（比如去空格+截取），否则别用 converters 强制 string——它不解决根本问题，还掩盖类型推断失败。
真正难的是混合空值和数字字符串的列，那几行配置组合（dtype + keep_default_na=False + na_values=None）缺一不可，少一个都可能让列里悄悄混进 NaN。