Pandas хранит серию изнутри как массивы NumPy.Когда серия имеет смешанные типы, Pandas / NumPy должна принять решение: она выбирает тип, который охватывает все типы в этой серии.В качестве тривиального примера, если у вас есть серия целых чисел с типом int и вы измените одно значение на float, ваша серия станет типа float.
В этом примере ваши 0-й и 2-йсерия имеет NaN значений.Теперь NaN или np.nan считается float (попробуйте type(np.nan), это вернет float), а True / False считается логическим.Единственный способ, которым NumPy может хранить эти значения, - это использовать dtype object, который является просто набором указателей (очень похоже на список).
Ваш 1-й столбец, с другой стороны, имеет только логические значения и можетхраниться с типом bool.Преимущество здесь в том, что вы не используете коллекцию указателей. NumPy может выделить непрерывный блок памяти для этого массива.Это даст преимущества в производительности по сравнению с серией object или list.
. Вы можете проверить все вышеперечисленное самостоятельно.Вот несколько примеров:
s1 = pd.Series([True, False])
print(s1.dtype) # bool
s2 = pd.Series([True, False, np.nan])
print(s2.dtype) # object
s3 = pd.Series([True, False, 0, 1])
print(s3.dtype) # object
Последний пример интересен тем, что в Python True == 1 и False == 0 оба возвращают True, поскольку bool можно считать подклассом int.Поэтому внутренне Pandas / NumPy приняла решение не применять это равенство и выбирать один или другой.Следствием этого является то, что вам рекомендуется проверять тип вашей серии при работе со смешанными типами.
Обратите также внимание, что Pandas выполняет проверки dtypes при обновлении значений:
s1 = pd.Series([True, 5.4])
print(s1.dtype) # object
s1.iloc[-1] = False
print(s1.dtype) # bool