如何识别Pandas Series（DataFrame列）中实例的具体数据类型？

Pandas原生的df.dtypes只能返回大类数据类型，其中object类型本质是指向任意Python对象的引用，可能存储字符串、布尔值、时间对象、甚至复合类型数据，因此无法满足细粒度类型区分的需求，你可以通过以下两种方法实现需求：

方法1：使用Pandas内置类型推断接口 #

pd.api.types.infer_dtype是Pandas专门用来推断细粒度数据类型的API，可以直接区分字符串、布尔值、时间、混合类型等细分类型，调用方式如下：

import pandas as pd
import numpy as np

# 构造测试数据
df = pd.DataFrame({
    '字符串列': ['苹果', '香蕉', '橙子'],
    '布尔列': [True, False, True],
    '时间列': pd.to_datetime(['2023-01-01', '2023-01-02', '2023-01-03']),
    '混合类型列': [1, '2', True],
    '整数列': [1,2,3],
    '浮点列': [1.1, 2.2, 3.3]
})
# 模拟布尔值存为object类型的场景
df['布尔列'] = df['布尔列'].astype('object')

# 遍历列推断细粒度类型
for col in df.columns:
    col_infer_type = pd.api.types.infer_dtype(df[col], skipna=True)
    print(f"列名：{col}，细粒度类型：{col_infer_type}")

这个接口的常见返回值包括string、boolean、datetime、integer、float、mixed等，完全覆盖细粒度分类需求。

方法2：获取列对应的Python原生类型 #

如果你需要判断列中存储的Python原生类型，可以通过以下自定义函数实现，还可以识别列中是否存在混合类型：

def get_python_type(col):
    # 过滤空值
    non_na_values = col.dropna()
    if len(non_na_values) == 0:
        return '全空列'
    # 取第一个非空值的类型作为参考
    main_type = type(non_na_values.iloc[0]).__name__
    # 验证所有非空值是否为同一类型
    is_all_same = all(type(x).__name__ == main_type for x in non_na_values)
    return main_type if is_all_same else f"混合类型（主类型：{main_type}）"

# 调用函数获取每列原生类型
for col in df.columns:
    print(f"列名：{col}，原生Python类型：{get_python_type(df[col])}")

常见报错说明 #

你遇到的TypeError: sequence item 0: expected str instance, bool found是典型的类型不匹配报错，一般出现在将存储布尔值的object列默认当成字符串处理的场景，比如调用''.join()拼接列值时就会触发该报错。通过上述两种方法提前识别列类型，将布尔值转为字符串后再处理即可解决问题。

实用技巧 #

• pd.api.types.infer_dtype的skipna参数设为True可以跳过空值，避免空值干扰推断结果
• 如果推断结果为mixed类标识，说明列中存在多种类型数据，建议先做类型清洗再做后续处理
• 你可以将上述两种方法的结果整合为统计表格，输出类型统计结果：

type_result = []
for col in df.columns:
    type_result.append({
        '列名': col,
        'pandas原生dtype': df[col].dtype,
        '细粒度推断类型': pd.api.types.infer_dtype(df[col], skipna=True),
        'Python原生类型': get_python_type(df[col])
    })

result_df = pd.DataFrame(type_result)
print(result_df)

内容的提问来源于stack exchange，提问作者ChrisCD