如何删除CSV中无法解析为数值的非数字值（通用方法）

我有一个大型数据表，示例如下：
CSV文件示例

我想要删除CSV中的所有字符串值，曾尝试手动枚举列名调用drop方法实现：

df.drop(['document.children.children.id', 'document.id', 'document.name', 'document.type', 'document.children.name', 'document.children.type', 'document.children.children.name', 'document.children.children.type', 'document.children.children.blendMode', 'document.children.children.children.blendMode', 'document.children.children.children.fills.blendMode', 'document.children.children.children.fills.type'], axis=1, inplace=True )

但处理其他结构的设计数据时，手动指定列名的方法完全无法复用，需要通用化的实现方案。

不需要手动枚举列名，基于pandas的类型判断接口即可实现适配任意表结构的处理逻辑。

• 基础场景：整列均为字符串值的批量删除
  直接用select_dtypes方法按列类型筛选，排除所有字符串类型的列即可，代码可以适配任意列名、任意结构的DataFrame：

  # 自动丢弃所有存储类型为object、string的字符串列，保留数值、布尔等非字符串列
  df = df.select_dtypes(exclude=['object', 'string'])
  

  说明：pandas默认将字符串列存储为object类型，若手动开启了StringDtype扩展类型则会标记为string，两种类型同时排除即可覆盖所有常规纯字符串列。

• 混合类型场景：列内同时存在数值和字符串的处理
  如果部分列混存了数值和字符串，pandas会将整列识别为object类型，直接筛选会误保留列内的字符串内容，可以先做强制类型转换再清理：

  import numpy as np
  
  # 遍历所有列，尝试将内容转为数值，无法转换的字符串统一转为空值NaN
  for col in df.columns:
      df[col] = pd.to_numeric(df[col], errors='coerce')
  
  # 转换后纯字符串列会变为全空列，直接删除全空列即可
  df = df.dropna(axis=1, how='all')
  

• 单元格级清理：不删整列仅清除单元格内的字符串
  如果需要保留列结构，仅把单元格里的字符串值替换为空、保留同列的有效数值，可以用逐元素判断的方式处理：

  import numpy as np
  
  df = df.applymap(lambda x: np.nan if isinstance(x, str) else x)
  

内容的提问来源于stack exchange，提问作者Sayuru De Alwis