★ FEATURED ARTICLE 刚开始跟着“鱼书”啃 Python 的时候最让我懵的还不是语法而是怎么判断一个变量到底是什么类型。明明打印出来都是1一个是数字一个是字符串程序跑起来结果却完全不一样。后来才明白Python 作为动态类型语言变量本身没有固定类型类型是“贴”在对象身上的。你写代码时不会提前声明int x 1所以拿到一个数据之后先搞清楚它是谁就成了写健壮代码的第一道门槛。这里说的“鱼书”是一位老程序员写的 Python 入门教程最大的特点是用大白话把基础知识讲透尤其适合零基础读者。它里面专门有一节讲数据类型的判断我当时反复看了好几遍配合自己踩过的一堆坑才把type()、isinstance()、is这些判断姿势真正理顺。这篇文章我就把从鱼书里学到的东西结合自己实际敲代码的经验完整梳理一遍。无论你是刚学 Python 的新手还是写了一段时间但总被类型坑烦的老手看完都能用得上。1. 为什么要学会判断数据类型1.1 动态类型是把双刃剑Python 不需要声明变量类型同一个变量名前面是整数后面可以变成字符串x 42 x hello这在写脚本时非常爽不用像 Java、C 那样写一堆类型声明。但到了真实项目里这个“自由”就变成了一场灾难。你写一个函数表面上接收的是数字列表调用方一开心传了个字符串进去程序不报错结果算出来的东西面目全非。更麻烦的是Python 很多操作在错误类型上不会立刻崩而是“带病运行”比如字符串乘法、列表加法都被允许等到最后一步才暴露问题。所以学会判断类型本质上是在动态语言里给自己加一道“静态边界”。你不必像静态语言那样处处声明但在关键入口把类型把住程序就稳了一大半。1.2 判断类型到底解决什么问题结合我自己的经历判断类型最常见的四个用途分支逻辑同一个接口传入str走文本处理传入int走数值计算。比如写一个中文分词前处理函数传入的是文件路径还是已读入的字符串处理方式完全不同。参数校验函数入口处先判断参数类型不合法直接抛出异常而不是等到深处崩溃。这在写公共模块、给团队用的时候尤其重要。数据清洗在 pandas 里处理数据时一列数据看起来全是数字实际上可能有int、float、object字符串三种 dtype导致求和、绘图全乱了。这时候先判断类型再决定怎么转换能省大量排查时间。调试定位程序结果不对时第一件事就是打印type(x)看看数据和你想的是不是同一个东西。很多所谓“玄学 bug”最后都发现是类型没对上。可以这样说类型判断不是炫技而是动态语言程序员的“安全带”。平时可能用不上但关键时刻能挡掉一大批隐蔽错误。2. Python 基本数据类型速览2.1 内置类型全家福在动手判断类型之前得先知道有哪些类型可以判断。我整理了一张速览表都是 Python 内置的常用类型分类类型名典型例子数值int42数值float3.14数值complex1 2j序列strhello序列list[1, 2, 3]序列tuple(1, 2, 3)序列rangerange(10)映射dict{a: 1}集合set{1, 2, 3}集合frozensetfrozenset({1, 2})布尔boolTrue/False二进制bytesbhello二进制bytearraybytearray(bhello)空值NoneTypeNone很多人看到这张表会觉得“这不就是基础语法嘛”但在实际判断时最容易出问题的恰恰是这些“看起来很简单”的类型之间的关系。比如bool是不是inttuple和list的区别除了可变性还有什么这些不搞清后面的判断代码就会埋雷。2.2 可变与不可变判断前先分清性质判断类型不只是“拿到类型名”更要理解这个类型的底层性质。Python 里对象分为可变mutable和不可变immutable可变list、dict、set、bytearray不可变int、float、str、tuple、frozenset、bytes为什么要关心这个因为不可变对象可以作为字典的键可变对象不行因为当你把可变对象传入函数时函数内部修改会影响到外部变量不可变对象则不会。这些行为和类型判断直接挂钩。还有一个很少人注意的细节tuple是不可变的但它里面可以装一个可变对象。也就是说t ([1, 2], a)这个元组本身不能增删元素但t[0]指向的列表可以被修改。判断类型时如果只看type(t) is tuple就认为它彻底安全这是不对的。3. type() 与 isinstance()两种最常用的判断姿势3.1 type() 用法与注意事项鱼书里最开始介绍的就是type()。它能返回对象的类型对象print(type(42)) # class int print(type(3.14)) # class float print(type(hello)) # class str最基础的判断方式是这样的type(42) int # True type(hello) str # True或者用istype(42) is int # Truetype()的特点是严格判断它只看对象最直接的类型不考虑继承关系。这在大多数内置类型上没问题但一旦遇到自定义类或者特殊类型就会“误判”。比如你定义了一个类继承自str那这个实例用type()判断就不是str了。鱼书里专门强调过不要用type()判断True是不是int因为在type()看来它是bool但用isinstance()判断它又是int这是个经典坑。3.2 isinstance() 用法与继承关系isinstance()是鱼书里反复推荐的判断姿势isinstance(42, int) # True isinstance(3.14, (int, float)) # True支持元组 isinstance(hello, str) # True它的核心优势是考虑继承关系。如果一个类是另一个类的子类那么子类的实例用isinstance()判断为父类类型时返回True。这种判断更符合直觉class MyStr(str): pass s MyStr(hello) print(type(s) is str) # False print(isinstance(s, str)) # True在实际项目中我们用isinstance()判断一个对象“能不能当作某种类型来用”而不是只关心它“表面是什么类型”。这也是鸭子类型的体现——如果它像字符串一样能调用字符串的方法那在逻辑上它就是字符串。3.3 两者对比与选型建议我把这两个方法的区别整理成一张对比表判断方式是否考虑继承适用场景典型写法type(x) is T否严格区分原子类型比如 bool 和 inttype(x) is inttype(x) T否与上面类似但一般不推荐type(x) intisinstance(x, T)是绝大多数场景尤其自定义类isinstance(x, int)isinstance(x, (A, B))是多类型同时判断isinstance(x, (list, tuple))我的选型建议很简单默认用isinstance()。只有在你确实需要“严格区分连父子类型都分开”时才用type()典型场景就是把bool从int里摘出来。鱼书里提到一句话我记到现在判断类型要看“对象能做什么”而不是“对象的牌子叫什么”。4. 容易被坑的类型判断场景4.1 bool 是 int 的子类这是我最先踩的坑。在 Python 里bool是int的子类这意味着print(isinstance(True, int)) # True print(type(True) is int) # False如果你写了一个统计函数想要判断参数是不是整数结果True也被当成整数放行了。有时候这没问题因为True确实能参与数学运算但有时候你要严格区分比如做数据导出时True和1导出后的格式可能完全不同。正确写法是def is_strict_int(x): return isinstance(x, int) and not isinstance(x, bool)4.2 整数与浮点数的边界另一个常见场景是判断“数字”。isinstance(1.0, int)返回Falseisinstance(1, float)也返回False。表面看很简单但问题在于很多数据源里的数字可能是混合的有的行是1有的行是1.0程序里需要统一判断。如果你只想判断“是不是数值”可以直接用numbers模块import numbers print(isinstance(1, numbers.Number)) # True print(isinstance(1.0, numbers.Number)) # True print(isinstance(1 2j, numbers.Number)) # True print(isinstance(1, numbers.Number)) # False这个方法能覆盖整数、浮点数、复数还能覆盖Decimal和Fraction比单独列一长串类型好得多。4.3 None 的判断None是 Python 里的特殊存在它的类型是NoneType。判断一个变量是不是None标准姿势是x None print(x is None) # True print(x None) # True但不推荐为什么不推荐 None因为调用的是对象的比较逻辑如果某个类重写了__eq__可能出现一个普通对象和None比较返回True的诡异情况。is比较的是身份None在 Python 中是单例用is判断绝对安全。还有个容易混淆的点None不是“空”它和空字符串、空列表[]、0完全不同。判断if not x时None、、[]、0、False都会走同一分支如果只想知道“是否为None”绝不能这么写。4.4 判断“数字”而非“整数”很多时候用户输入的不是你期待的类型而是数字字符串。比如从文件读出来的一列数据看起来是数字其实是123。这时候判断类型没用得判断字符串内容s 123 print(s.isdigit()) # True s2 12.5 print(s2.isdigit()) # Falseisdigit()只能判断非负整数不能判断小数和负数。想判断一个字符串是否能转成浮点数可以自己写一个小工具def is_number_string(s): try: float(s) return True except ValueError: return False注意真正判断类型时永远不要用“能转成数字”代替“是数字类型”这两者是不同维度的问题。前者是内容判断后者是类型判断。4.5 字符串与字节串Python 3 里str和bytes是完全不同的类型。从网络或文件里读到的原始字节通常是bytes打印出来带b前缀data bhello print(type(data)) # class bytes text hello print(type(text)) # class str判断时需要区分清楚。比如写一个接收网络数据的函数可能需要接受str也可能需要接受bytes用元组形式一次性判断isinstance(data, (str, bytes))这类场景里type()的问题是它把子类排除在外而bytes和str用户可能会定义子类来增强功能所以用isinstance()更稳。4.6 空值判断None、空列表、空字符串、np.nan数据清洗时常见一个复合问题要判断一个值是“空”但这个“空”有好几种形态。在纯 Python 里空字符串空列表[]空字典{}None0鱼书里对空值的判断给过一个实用建议先判断是不是None再判断是不是容器且长度为零最后才判断是不是数值0。这样避免把所有“空”混为一谈。到了 pandas 里事情更复杂缺失值默认是NaN也就是float(nan)它不是None也不是字符串import pandas as pd s pd.Series([1, None, float(nan), 2]) print(s.isna().tolist()) # [False, True, True, False]判断 pandas 里的空值要用isna()或isnull()不能直接用is None。这个坑我在做数据清洗时踩过多次后面会在速查表里单独列。5. 实战写一个健壮的类型判断工具函数5.1 需求分析学了这么多判断方法最终要落到一个能用的小工具上。我在一个数据处理项目里写过这样一个函数输入任意对象返回一个人类可读的类型名方便日志打印和调试。需求点整理如下能识别常见内置类型int、float、bool、str、bytes、list、tuple、dict、set、frozenset、None对bool单独标注避免和int混淆对 pandas 的DataFrame、Series也能识别对不认识的类型返回它的类名作为兜底这个函数的作用不是严格判断而是“看一眼就知道是什么”。写日志、调试时特别省心。5.2 完整代码与逐段讲解import numbers import numpy as np def get_type_name(obj): if obj is None: return None if isinstance(obj, bool): return bool if isinstance(obj, int): return int if isinstance(obj, float): return float if isinstance(obj, complex): return complex if isinstance(obj, (str, bytes)): return str/bytes if isinstance(obj, list): return list if isinstance(obj, tuple): return tuple if isinstance(obj, dict): return dict if isinstance(obj, set): return set if isinstance(obj, frozenset): return frozenset if isinstance(obj, numbers.Number): return number try: import pandas as pd if isinstance(obj, pd.DataFrame): return DataFrame if isinstance(obj, pd.Series): return Series except ImportError: pass try: if isinstance(obj, np.ndarray): return ndarray except ImportError: pass return type(obj).__name__逐段讲解一下第一行if obj is None必须放在最前面。因为None不属于任何其他常规类型先排除最稳。然后是bool判断放在int之前。这是整个函数最关键的顺序问题。如果先判断intTrue就会被识别成int因为bool是int的子类。把bool放在前面就能正确区分。接着判断基础数值类型时我把int和float分开因为它们在实际处理中往往需要区别对待。字符串和字节串放在一起返回是因为很多时候你只需要知道“这是个文本类数据”而不必细分。numbers.Number是最后的数值兜底用来接住Decimal、Fraction这类不常用但确实存在的数值类型。pandas 和 numpy 的判断单独放在 try-except 里避免没有安装这两个库时报 ImportError。这个细节值得注意工具函数本身可以运行在纯净 Python 环境装了 pandas 就自动多识别两类。5.3 单元测试写工具函数一定要配套测试我随便写几个断言就能看出效果assert get_type_name(None) None assert get_type_name(True) bool assert get_type_name(1) int assert get_type_name(1.0) float assert get_type_name(1 2j) complex assert get_type_name(hello) str/bytes assert get_type_name(bhello) str/bytes assert get_type_name([1, 2]) list assert get_type_name((1, 2)) tuple assert get_type_name({a: 1}) dict assert get_type_name({1, 2}) set import pandas as pd df pd.DataFrame({a: [1, 2]}) assert get_type_name(df) DataFrame把这些断言跑一遍如果全绿说明函数逻辑没有大问题。以后在新环境里部署脚本时直接把这段测试粘过去跑一遍比肉眼检查靠谱得多。6. 常见问题与排查技巧实录6.1 判断方法速查表结合鱼书的知识和我自己的实操我做了一张速查表按“想判断什么”来索引目的推荐写法判断是不是整数不含 boolisinstance(x, int) and not isinstance(x, bool)判断是不是整数含 boolisinstance(x, int)判断是不是 floatisinstance(x, float)判断是不是数值含复数等isinstance(x, numbers.Number)判断是不是字符串isinstance(x, str)判断是不是 list/tupleisinstance(x, (list, tuple))判断是不是 Nonex is None判断是否是空列表isinstance(x, list) and len(x) 0判断是否是 NaNx ! xPython 方式或pd.isna(x)pandas 方式判断字符串内容是否为数字str(x).isdigit()或try: float(x)获取对象类型名type(x).__name__这个表打印出来贴在显示器旁边写代码时扫一眼就能选对方法比每次都翻书强得多。6.2 排查“类型判断不生效”我见过不少同事遇到“明明判断了类型还是走了错误分支”的问题。排查下来最常见的原因是用了比较类型。一个典型错误if type(x) int: # 处理整数逻辑这个写法在大多数情况下没问题但遇到bool时失效因为type(True) int为False。另一个问题是如果 x 是numpy.int64type(x) int也是False导致判断直接跳过。还有一类问题是继承导致type判断不准。自定义类继承str后type(obj) is str返回False这会让逻辑走入 else 分支。排查时先用print(type(x), repr(x))看看实际类型再考虑用isinstance还是type。另外很多人在判断字符串内容是否是数字时用isdigit()结果负数和小数都返回False误以为判断错误。其实不是判断“错了”而是方法本身只覆盖非负整数。切到 float 转换加 try-except 就正常了。6.3 与 pandas 数据类型转换的关系热词里经常出现“pandas 数据类型转换”这和数据类型判断关系非常紧密。很多人从 Excel 读进 DataFrame 后一列“年龄”显示 dtype 是object其实里面全是数字字符串。这时候必须先用类型判断找出问题再转换import pandas as pd df pd.DataFrame({age: [23, 24, 25]}) print(df[age].dtype) # object # 先判断是不是字符串再转换 if df[age].dtype object: df[age] df[age].astype(int) print(df[age].dtype) # int64dataframe.dtypes返回的是 numpy 类型名比如int64、float64不是 Python 原生的int、float。所以在 pandas 里做类型判断不能直接套用isinstance(df[age], int)要先取df[age].dtype再用 pandas 自己的类型体系去对比。一个实用技巧用df[age].map(type)可以查看某一列每个元素的真实 Python 类型这在定位“object 列到底藏着什么”时非常方便print(df[age].map(type).unique()) # [class str]发现是字符串后再用astype统一转换。7. 经验心得与学习建议鱼书这一节内容我前前后后看了三遍每次都有新收获。第一次只知道type()能判断类型第二次学会了isinstance()第三次才真正理解bool是int的子类、None要用is判断这些细节点。这里给你的建议是类型判断不是看一遍就能会的要把每种判断方法都写个小例子跑一遍。我个人在实际开发中养成了一个习惯凡是写公共函数、模块接口入口处先做一轮类型判断和参数校验。这不会浪费多少时间但能省掉后面大量的调试工作。另外一个习惯是调试时多打印type(x)和repr(x)不要只打印x本身。很多“打印出来一样但结果不同”的问题一打印类型就原形毕露。这节内容后面还可以继续扩展的方向是把类型判断配合 Python 的functools.singledispatch做泛型函数分派可以根据不同参数类型自动调用不同实现在写数据处理工具时特别有用。等你把基础的type()和isinstance()玩熟了再去研究那个会发现整个思路是连贯的。最后再分享一个小技巧写类型判断工具函数时判断顺序有讲究。一般按照“精确类型优先、父类兜底”的原则排列None最先bool在int之前数值类型按从具体到抽象排。这样既能保证正确性又能让代码读起来有逻辑层次。把鱼书里那张基本数据类型表背熟再把上面这些坑挨个踩一遍你的 Python 类型判断基本就算是过关了。
阅读完成 · 觉得有帮助？
