Python中如何判断变量是否为数字类型（兼容原生及numpy数值类型）

我多次遇到同类需求，始终没有找到足够满意的解决方案。
核心判定需求：判断变量some_var是否属于数字类型，具体判定标准为：该变量是否可与其他数值进行比较（例如字符串类型应判定为不通过）。
NumPy的存在让该判断逻辑的实现存在一定难点，示例如下：

import numpy as np
some_var = np.int32(123)
isinstance(some_var, int)
>>> False

已尝试方案梳理 #

NumPy 原生相关方案 #

涉及np.issubdtype、匹配np.number类型、np.isscalar三类方法，均存在明显兼容性问题：

• 用np.issubdtype实现判断时，非NumPy类型会直接报错：

some_var = 123
np.issubdtype(some_var.dtype, np.number)
>>> AttributeError: 'int' object has no attribute 'dtype'

• 仅通过isinstance判断变量是否为np.number实例，无法兼容Python原生数值类型：

isinstance(1, np.number)
>>> False

• np.isscalar()可正常识别数值类型，但会把字符串误判为符合要求的类型：

np.isscalar('test')
>>>True

标准库numbers模块方案 #

使用Python标准库numbers模块做类型判断，是目前测试下来相对最优的方案，使用便捷，仅需额外导入对应抽象基类即可：

from numbers import Integral  # 仅判定整数类型用Integral，判定所有数值类型用Number
isinstance(some_var, Integral)
>>> True

该方案可同时兼容Python原生int/float/complex、NumPy所有数值标量类型，且会自动排除字符串、列表等非数值类型。

手动枚举类型判断方案 #

逻辑最直观的方案是手动枚举所有需要支持的数值类型，以元组形式传入isinstance做判断：

isinstance(some_var, (int, float, np.int32, np.int64, np.float32, np.float64))
>>> True

该方案的缺点是极易遗漏类型，比如NumPy的无符号整数、半精度浮点数、复数等类型，后续如果新增依赖引入新的数值类型，还需要手动维护枚举列表。

其他未覆盖的实现方式 #

除上述方案外，还有两种常见实现思路：

• 鸭子类型判定：尝试将变量转为float类型，通过捕获异常判断是否为数值。该方案不需要导入额外模块，但会把可转float的非数值类型（比如纯数字字符串）误判为数值，且异常捕获存在一定性能开销，示例：

def is_number(x):
    try:
        float(x)
        return True
    except (TypeError, ValueError):
        return False
# 缺陷：is_number('123')会返回True，不符合判定要求

• 基类组合判定：同时覆盖Python原生数值基类和NumPy数值基类，无需逐个枚举具体数值子类型：

isinstance(some_var, (int, float, complex, np.number))
>>> True

该方案比手动枚举全量子类型简洁很多，且能覆盖所有NumPy数值类型（所有NumPy数值类型均继承自np.number），不会出现漏判。

实际开发选型推荐 #

根据项目场景选择即可：

• 如果项目本身已固定依赖NumPy，优先使用isinstance(x, (int, float, complex, np.number))做判断，不需要额外导入标准库模块，判断逻辑简单高效，无误判、漏判问题。
• 如果项目需要做NumPy可选兼容（不强制安装NumPy），优先使用标准库numbers.Number做判定，这是Python官方提供的数值类型抽象基类判断方案，所有符合数值协议的类型都会被正确识别，不需要手动维护类型列表，兼容性最好。
• 不推荐单独使用np.isscalar、零散枚举数值类型、异常捕获转float这三类方案，前两者存在明确的误判/漏判问题，后者性能差且边界错误多。

内容的提问来源于stack exchange，提问作者CodePrinz