pandas 数组、标量和数据类型#

对象#

对于大多数数据类型，pandas 在 Index、Series 或 DataFrame 中包含的具体对象使用 NumPy 数组。

对于某些数据类型，pandas 扩展了 NumPy 的类型系统。这些类型的字符串别名可以在数据类型中找到。

数据种类	pandas 数据类型	标量	数组
带时区日期时间	`DatetimeTZDtype`	`Timestamp`	日期时间
Timedeltas	（无）	`Timedelta`	Timedeltas
周期（时间跨度）	`PeriodDtype`	`Period`	Periods
区间	`IntervalDtype`	`Interval`	区间
可空整数	`Int64Dtype`，...	（无）	可空整数
可空浮点数	`Float64Dtype`，...	（无）	可空浮点数
Categorical	`CategoricalDtype`	（无）	分类数据
Sparse	`SparseDtype`	（无）	Sparse
字符串	`StringDtype`	`str`	字符串
可空布尔值	`BooleanDtype`	`bool`	可空布尔值
PyArrow	`ArrowDtype`	Python 标量或 `NA`	PyArrow

pandas 和第三方库可以扩展 NumPy 的类型系统（参见扩展类型）。顶层 array() 方法可用于创建新数组，该数组可能存储在 Series、Index 中，或作为 DataFrame 的列。

array(data[, dtype, copy])

创建数组。

PyArrow#

警告

此功能处于实验阶段，API 可能会在未来版本中更改，恕不另行通知。

arrays.ArrowExtensionArray 类由 pyarrow.ChunkedArray 支持，其 pyarrow.DataType 而非 NumPy 数组和数据类型。pandas.arrays.ArrowExtensionArray 类的 `.dtype` 是一个 ArrowDtype。

Pyarrow 提供了与 NumPy 类似的数组和数据类型支持，包括所有数据类型的一等空值支持、不可变性等。

下表显示了 pandas 识别的等效的 pyarrow 支持（pa）、pandas 扩展和 numpy（np）类型。下文中的 pyarrow 支持的类型需要传递给 ArrowDtype 才能被 pandas 识别，例如 pd.ArrowDtype(pa.bool_())。

PyArrow 类型	pandas 扩展类型	NumPy 类型
`pyarrow.bool_()`	`BooleanDtype`	`np.bool_`
`pyarrow.int8()`	`Int8Dtype`	`np.int8`
`pyarrow.int16()`	`Int16Dtype`	`np.int16`
`pyarrow.int32()`	`Int32Dtype`	`np.int32`
`pyarrow.int64()`	`Int64Dtype`	`np.int64`
`pyarrow.uint8()`	`UInt8Dtype`	`np.uint8`
`pyarrow.uint16()`	`UInt16Dtype`	`np.uint16`
`pyarrow.uint32()`	`UInt32Dtype`	`np.uint32`
`pyarrow.uint64()`	`UInt64Dtype`	`np.uint64`
`pyarrow.float32()`	`Float32Dtype`	`np.float32`
`pyarrow.float64()`	`Float64Dtype`	`np.float64`
`pyarrow.time32()`	（无）	（无）
`pyarrow.time64()`	（无）	（无）
`pyarrow.timestamp()`	`DatetimeTZDtype`	`np.datetime64`
`pyarrow.date32()`	（无）	（无）
`pyarrow.date64()`	（无）	（无）
`pyarrow.duration()`	（无）	`np.timedelta64`
`pyarrow.binary()`	（无）	（无）
`pyarrow.string()`	`StringDtype`	`np.str_`
`pyarrow.decimal128()`	（无）	（无）
`pyarrow.list_()`	（无）	（无）
`pyarrow.map_()`	（无）	（无）
`pyarrow.dictionary()`	`CategoricalDtype`	（无）

注意

pyarrow 支持的字符串包括 pd.StringDtype("pyarrow") 和 pd.ArrowDtype(pa.string())。 pd.StringDtype("pyarrow") 在下面的字符串部分进行了描述，如果指定了字符串别名 "string[pyarrow]"，则会返回该字符串。 pd.ArrowDtype(pa.string()) 通常与不同类型的 ArrowDtype 具有更好的互操作性。

虽然 arrays.ArrowExtensionArray 中的单个值存储为 PyArrow 对象，但标量会**返回**为与数据类型对应的 Python 标量，例如，PyArrow int64 将返回为 Python int，或者 NA 表示缺失值。

arrays.ArrowExtensionArray(values)

由 PyArrow ChunkedArray 支持的 Pandas ExtensionArray。

ArrowDtype(pyarrow_dtype)

PyArrow 数据类型的 ExtensionDtype。

更多信息，请参阅 PyArrow 用户指南。

日期时间#

NumPy 无法原生表示带时区的日期时间。pandas 通过 arrays.DatetimeArray 扩展数组来支持这一点，该数组可以包含时区感知或时区不敏感的值。

Timestamp 是 pandas 的标量类型，用于时区感知或时区不敏感的日期时间数据，它是 datetime.datetime 的子类。NaT 是日期时间数据的缺失值。

Timestamp([ts_input, year, month, day, ...])

Pandas 替换 Python datetime.datetime 对象。

属性#

`Timestamp.asm8`	返回具有相同精度的 NumPy datetime64 格式。
`Timestamp.day`	返回 Timestamp 的日期。
`Timestamp.dayofweek`	返回星期几。
`Timestamp.day_of_week`	返回星期几。
`Timestamp.dayofyear`	返回一年中的第几天。
`Timestamp.day_of_year`	返回一年中的第几天。
`Timestamp.days_in_month`	返回月份的天数。
`Timestamp.daysinmonth`	返回月份的天数。
`Timestamp.fold`	返回 Timestamp 的 fold 值。
`Timestamp.hour`	返回 Timestamp 的小时。
`Timestamp.is_leap_year`	如果年份是闰年，则返回 True。
`Timestamp.is_month_end`	检查日期是否为月份的最后一天。
`Timestamp.is_month_start`	检查日期是否为月份的第一天。
`Timestamp.is_quarter_end`	检查日期是否为季度的最后一天。
`Timestamp.is_quarter_start`	检查日期是否为季度的第一天。
`Timestamp.is_year_end`	如果日期是该年的最后一天，则返回 True。
`Timestamp.is_year_start`	如果日期是该年的第一天，则返回 True。
`Timestamp.max`
`Timestamp.microsecond`	返回 Timestamp 的微秒。
`Timestamp.min`
`Timestamp.minute`	返回 Timestamp 的分钟。
`Timestamp.month`	返回 Timestamp 的月份。
`Timestamp.nanosecond`	返回 Timestamp 的纳秒。
`Timestamp.quarter`	返回 Timestamp 的季度。
`Timestamp.resolution`
`Timestamp.second`	返回 Timestamp 的秒。
`Timestamp.tz`	tzinfo 的别名。
`Timestamp.tzinfo`	返回 Timestamp 的时区信息。
`Timestamp.unit`	与 self._creso 相关联的缩写。
`Timestamp.value`	返回 Timestamp 的值。
`Timestamp.week`	返回一年中的周数。
`Timestamp.weekofyear`	返回一年中的周数。
`Timestamp.year`	返回 Timestamp 的年份。

方法#

`Timestamp.as_unit`(unit[, round_ok])	将底层的 int64 表示转换为给定的单位。
`Timestamp.astimezone`(tz)	将带时区 Timestamp 转换为另一个时区。
`Timestamp.ceil`(freq[, ambiguous, nonexistent])	返回一个向上取整到此分辨率的新 Timestamp。
`Timestamp.combine`(date, time)	将日期和时间合并为一个 Timestamp 对象。
`Timestamp.ctime`()	返回一个 ctime() 风格的 Timestamp 字符串。
`Timestamp.date`()	返回具有相同年、月、日的 datetime.date。
`Timestamp.day_name`([locale])	返回具有指定区域设置的 Timestamp 的星期名称。
`Timestamp.dst`()	返回夏令时 (DST) 调整。
`Timestamp.floor`(freq[, ambiguous, nonexistent])	返回一个向下取整到此分辨率的新 Timestamp。
`Timestamp.fromordinal`(ordinal[, tz])	从前生公历序数构造时间戳。
`Timestamp.fromtimestamp`(ts[, tz])	从 POSIX 时间戳创建 Timestamp 对象。
`Timestamp.isocalendar`()	返回一个包含 ISO 年、周数和星期几的命名元组。
`Timestamp.isoformat`([sep, timespec])	按 ISO 8601 格式化时间。
`Timestamp.isoweekday`()	返回日期表示的星期几。
`Timestamp.month_name`([locale])	返回具有指定区域设置的 Timestamp 的月份名称。
`Timestamp.normalize`()	将 Timestamp 规范化为午夜，保留 tz 信息。
`Timestamp.now`([tz])	返回表示当前本地时间的新 Timestamp 对象。
`Timestamp.replace`([year, month, day, hour, ...])	实现 datetime.replace，处理纳秒。
`Timestamp.round`(freq[, ambiguous, nonexistent])	将 Timestamp 四舍五入到指定的分辨率。
`Timestamp.strftime`(format)	返回 Timestamp 的格式化字符串。
`Timestamp.strptime`(date_string, format)	将字符串参数转换为日期时间。
`Timestamp.time`()	返回具有相同时间但 tzinfo=None 的 time 对象。
`Timestamp.timestamp`()	返回 POSIX 时间戳（浮点数）。
`Timestamp.timetuple`()	返回时间元组，与 time.localtime() 兼容。
`Timestamp.timetz`()	返回具有相同时间和 tzinfo 的 time 对象。
`Timestamp.to_datetime64`()	返回具有相同精度的 NumPy datetime64 对象。
`Timestamp.to_numpy`([dtype, copy])	将 Timestamp 转换为 NumPy datetime64。
`Timestamp.to_julian_date`()	将 Timestamp 转换为儒略日。
`Timestamp.to_period`([freq])	返回此时间戳是观测值的周期。
`Timestamp.to_pydatetime`([warn])	将 Timestamp 对象转换为本地 Python datetime 对象。
`Timestamp.today`([tz])	返回本地时区的当前时间。
`Timestamp.toordinal`()	返回前生公历序数。
`Timestamp.tz_convert`(tz)	将带时区 Timestamp 转换为另一个时区。
`Timestamp.tz_localize`(tz[, ambiguous, ...])	将 Timestamp 本地化到某个时区。
`Timestamp.tzname`()	返回时区名称。
`Timestamp.utcfromtimestamp`(ts)	从 POSIX 时间戳构造带时区的 UTC 日期时间。
`Timestamp.utcnow`()	返回表示 UTC 日期和时间的新 Timestamp。
`Timestamp.utcoffset`()	返回 UTC 偏移量。
`Timestamp.utctimetuple`()	返回 UTC 时间元组，与 time.localtime() 兼容。
`Timestamp.weekday`()	返回日期表示的星期几。

一组时间戳可以存储在 arrays.DatetimeArray 中。对于带时区的数据，arrays.DatetimeArray 的 `.dtype` 是 DatetimeTZDtype。对于时区不敏感的数据，使用 np.dtype("datetime64[ns]")。

如果数据是带时区的，那么数组中的每个值都必须具有相同的时区。

arrays.DatetimeArray(data[, dtype, freq, copy])

Pandas ExtensionArray，用于时区不敏感或时区敏感的日期时间数据。

DatetimeTZDtype([unit, tz])

用于带时区日期时间数据的 ExtensionDtype。

时间差#

NumPy 可以原生表示时间差。pandas 提供 Timedelta 以与 Timestamp 对称。NaT 是时间差数据的缺失值。

Timedelta([value, unit])

表示一个持续时间，即两个日期或时间之间的差值。

属性#

`Timedelta.asm8`	返回一个 NumPy timedelta64 数组标量视图。
`Timedelta.components`	返回一个类似组件的命名元组。
`Timedelta.days`	返回时间差的天数。
`Timedelta.max`
`Timedelta.microseconds`	返回微秒数（n），其中 0 <= n < 1 毫秒。
`Timedelta.min`
`Timedelta.nanoseconds`	返回纳秒数（n），其中 0 <= n < 1 微秒。
`Timedelta.resolution`
`Timedelta.seconds`	将时间差的总小时、分钟和秒返回为秒。
`Timedelta.unit`	返回 Timedelta 对象单位。
`Timedelta.value`	以纳秒为单位返回 Timedelta 对象的值。
`Timedelta.view`(dtype)	数组视图兼容性。

方法#

`Timedelta.as_unit`(unit[, round_ok])	将底层的 int64 表示转换为给定的单位。
`Timedelta.ceil`(freq)	返回一个向上取整到此分辨率的新 Timedelta。
`Timedelta.floor`(freq)	返回一个向下取整到此分辨率的新 Timedelta。
`Timedelta.isoformat`()	将 Timedelta 格式化为 ISO 8601 持续时间。
`Timedelta.round`(freq)	将 Timedelta 四舍五入到指定的分辨率。
`Timedelta.to_pytimedelta`()	将 pandas Timedelta 对象转换为 Python 的 `datetime.timedelta` 对象。
`Timedelta.to_timedelta64`()	返回精度为“ns”的 numpy.timedelta64 对象。
`Timedelta.to_numpy`([dtype, copy])	将 Timedelta 转换为 NumPy timedelta64。
`Timedelta.total_seconds`()	持续时间中的总秒数。

一组 Timedelta 可以存储在 TimedeltaArray 中。

arrays.TimedeltaArray(data[, dtype, freq, copy])

Pandas ExtensionArray，用于 timedelta 数据。

周期#

pandas 使用 Period 对象来表示时间跨度。

Period#

Period([value, freq, ordinal, year, month, ...])

表示一个时间段。

属性#

`Period.day`	获取 Period 所属月份的日期。
`Period.dayofweek`	Period 所在周的星期几，周一=0，周日=6。
`Period.day_of_week`	Period 所在周的星期几，周一=0，周日=6。
`Period.dayofyear`	返回一年中的第几天。
`Period.day_of_year`	返回一年中的第几天。
`Period.days_in_month`	获取此 Period 所属月份的总天数。
`Period.daysinmonth`	获取此 Period 所属月份的总天数。
`Period.end_time`	获取 Period 结束时间戳。
`Period.freq`	返回此 Period 的频率对象。
`Period.freqstr`	返回频率的字符串表示。
`Period.hour`	获取 Period 的小时分量。
`Period.is_leap_year`	如果 Period 所在的年份是闰年，则返回 True。
`Period.minute`	获取 Period 的分钟分量。
`Period.month`	返回此 Period 所属的月份。
`Period.ordinal`	返回此 Period 的整数序数。
`Period.quarter`	返回此 Period 所属的季度。
`Period.qyear`	根据其起始季度，Period 所属的财政年度。
`Period.second`	获取 Period 的秒分量。
`Period.start_time`	获取 Period 开始时间戳。
`Period.week`	获取给定 Period 的一年中的周数。
`Period.weekday`	Period 所在周的星期几，周一=0，周日=6。
`Period.weekofyear`	获取给定 Period 的一年中的周数。
`Period.year`	返回此 Period 所属的年份。

方法#

`Period.asfreq`(freq[, how])	将 Period 转换为所需的频率，在区间的开始或结束处。
`Period.now`(freq)	返回当前日期的 Period。
`Period.strftime`(fmt)	返回 `Period` 的格式化字符串表示。
`Period.to_timestamp`([freq, how])	返回 Period 的 Timestamp 表示。

Period 的集合可以存储在 arrays.PeriodArray 中。 arrays.PeriodArray 中的每个 Period 必须具有相同的 freq。

arrays.PeriodArray(values[, dtype, copy])

用于存储 Period 数据的 Pandas 扩展数组。

PeriodDtype(freq)

Period 数据的扩展数据类型。

区间#

任意区间可以用 Interval 对象表示。

Interval

实现 Interval 的不可变对象，一个类似切片的有界区间。

属性#

`Interval.closed`	描述区间包含的边的字符串。
`Interval.closed_left`	检查区间左侧是否包含。
`Interval.closed_right`	检查区间右侧是否包含。
`Interval.is_empty`	指示区间是否为空，意味着它不包含任何点。
`Interval.left`	区间的左边界。
`Interval.length`	返回区间的长度。
`Interval.mid`	返回区间的中间点。
`Interval.open_left`	检查区间左侧是否开放。
`Interval.open_right`	检查区间右侧是否开放。
`Interval.overlaps`(other)	检查两个 Interval 对象是否重叠。
`Interval.right`	区间的右边界。

区间集合可以存储在 arrays.IntervalArray 中。

arrays.IntervalArray(data[, closed, dtype, ...])

用于存储同一侧闭合的区间数据的 Pandas 数组。

IntervalDtype([subtype, closed])

Interval 数据的扩展数据类型。

可空整数#

numpy.ndarray 无法原生表示带有缺失值的整数数据。Pandas 通过 arrays.IntegerArray 提供此功能。

arrays.IntegerArray(values, mask[, copy])

整数（可选缺失）值的数组。

`Int8Dtype`()	int8 整数数据的扩展数据类型。
`Int16Dtype`()	int16 整数数据的扩展数据类型。
`Int32Dtype`()	int32 整数数据的扩展数据类型。
`Int64Dtype`()	int64 整数数据的扩展数据类型。
`UInt8Dtype`()	uint8 整数数据的扩展数据类型。
`UInt16Dtype`()	uint16 整数数据的扩展数据类型。
`UInt32Dtype`()	uint32 整数数据的扩展数据类型。
`UInt64Dtype`()	uint64 整数数据的扩展数据类型。

可空浮点数#

arrays.FloatingArray(values, mask[, copy])

浮点数（可选缺失）值的数组。

`Float32Dtype`()	float32 数据的扩展数据类型。
`Float64Dtype`()	float64 数据的扩展数据类型。

分类数据#

pandas 定义了一种自定义数据类型，用于表示只能取有限固定值集的数据。 Categorical 的数据类型可以用 CategoricalDtype 来描述。

CategoricalDtype([categories, ordered])

具有类别和排序性的分类数据的类型。

`CategoricalDtype.categories`	包含允许的唯一类别的 `Index`。
`CategoricalDtype.ordered`	类别是否具有排序关系。

分类数据可以存储在 pandas.Categorical 中。

Categorical(values[, categories, ordered, ...])

以经典 R / S-plus 的方式表示分类变量。

当您已经有了类别和整数代码时，可以使用替代的 Categorical.from_codes() 构造函数。

Categorical.from_codes(codes[, categories, ...])

根据代码和类别或数据类型创建 Categorical 类型。

数据类型信息可在 Categorical 上获取。

`Categorical.dtype`	此实例的 `CategoricalDtype`。
`Categorical.categories`	此分类数据的类别。
`Categorical.ordered`	类别是否具有排序关系。
`Categorical.codes`	此分类索引的类别代码。

np.asarray(categorical) 的工作原理是实现数组接口。请注意，这会将 Categorical 转换回 NumPy 数组，因此类别和顺序信息不会被保留！

Categorical.__array__([dtype, copy])

NumPy 数组接口。

Categorical 可以存储在 Series 或 DataFrame 中。要创建 dtype 为 category 的 Series，请使用 cat = s.astype(dtype) 或 Series(..., dtype=dtype)，其中 dtype 是以下之一：

字符串 'category'
CategoricalDtype 的实例。

如果 Series 的 dtype 为 CategoricalDtype，则可以使用 Series.cat 来更改分类数据。更多信息请参阅 Categorical accessor。

Categorical 上有更多方法可用。

`Categorical.as_ordered`()	将 Categorical 设置为有序。
`Categorical.as_unordered`()	将 Categorical 设置为无序。
`Categorical.set_categories`(new_categories[, ...])	将类别设置为指定的新类别。
`Categorical.rename_categories`(new_categories)	重命名类别。
`Categorical.reorder_categories`(new_categories)	按 new_categories 中指定的顺序重新排列类别。
`Categorical.add_categories`(new_categories)	添加新类别。
`Categorical.remove_categories`(removals)	删除指定的类别。
`Categorical.remove_unused_categories`()	删除未使用的类别。
`Categorical.map`(mapper[, na_action])	使用输入映射或函数映射类别。

Sparse#

数据中重复单个值（例如 0 或 NaN）很多次，可以高效地存储为 arrays.SparseArray。

arrays.SparseArray(data[, sparse_index, ...])

用于存储稀疏数据的扩展数组。

SparseDtype([dtype, fill_value])

存储在 SparseArray 中的数据的数据类型。

如果 Series 包含稀疏值，则可以使用 Series.sparse 访问器来访问稀疏特定属性和方法。更多信息请参阅 Sparse accessor 和用户指南。

字符串#

处理文本数据时，其中每个有效元素是字符串或缺失值，我们推荐使用 StringDtype（别名为 "string"）。

`arrays.StringArray`(values, *[, dtype, copy])	字符串数据的扩展数组。
`arrays.ArrowStringArray`(values, *[, dtype])	以 `pyarrow.ChunkedArray` 存储的字符串数据的扩展数组。

StringDtype([storage, na_value])

字符串数据的扩展数据类型。

对于由 arrays.StringArray 支持的 Series，可以使用 Series.str 访问器。更多信息请参阅 String handling。

可空布尔值#

布尔数据类型（别名为 "boolean"）提供了支持存储带有缺失值的布尔数据（True、False），这在使用 numpy.ndarray 时是不可能的。

arrays.BooleanArray(values, mask[, copy])

带有缺失值的布尔值（True/False）数据的数组。

BooleanDtype()

布尔数据的扩展数据类型。

实用工具#

构造函数#

`api.types.union_categoricals`(to_union[, ...])	合并列表状的 Categorical 类，并合并类别。
`api.types.infer_dtype`(value[, skipna])	返回列表状输入中元素类型的字符串标签。
`api.types.pandas_dtype`(dtype)	将输入转换为仅 Pandas 的 dtype 对象或 NumPy 的 dtype 对象。

数据类型自省#

`api.types.is_any_real_numeric_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为实数 dtype。
`api.types.is_bool_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为布尔 dtype。
`api.types.is_categorical_dtype`(arr_or_dtype)	(已弃用) 检查数组状对象或 dtype 是否为 Categorical dtype。
`api.types.is_complex_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为复数 dtype。
`api.types.is_datetime64_any_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为 datetime64 dtype。
`api.types.is_datetime64_dtype`(arr_or_dtype)	检查数组状对象或 dtype 是否为 datetime64 dtype。
`api.types.is_datetime64_ns_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为 datetime64[ns] dtype。
`api.types.is_datetime64tz_dtype`(arr_or_dtype)	(已弃用) 检查数组状对象或 dtype 是否为 DatetimeTZDtype dtype。
`api.types.is_dtype_equal`(source, target)	检查两个 dtype 是否相等。
`api.types.is_extension_array_dtype`(arr_or_dtype)	检查对象是否为 Pandas 扩展数组类型。
`api.types.is_float_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为浮点数 dtype。
`api.types.is_int64_dtype`(arr_or_dtype)	(已弃用) 检查提供的数组或 dtype 是否为 int64 dtype。
`api.types.is_integer_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为整数 dtype。
`api.types.is_interval_dtype`(arr_or_dtype)	(已弃用) 检查数组状对象或 dtype 是否为 Interval dtype。
`api.types.is_numeric_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为数值 dtype。
`api.types.is_object_dtype`(arr_or_dtype)	检查数组状对象或 dtype 是否为 object dtype。
`api.types.is_period_dtype`(arr_or_dtype)	(已弃用) 检查数组状对象或 dtype 是否为 Period dtype。
`api.types.is_signed_integer_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为有符号整数 dtype。
`api.types.is_string_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为字符串 dtype。
`api.types.is_timedelta64_dtype`(arr_or_dtype)	检查数组状对象或 dtype 是否为 timedelta64 dtype。
`api.types.is_timedelta64_ns_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为 timedelta64[ns] dtype。
`api.types.is_unsigned_integer_dtype`(arr_or_dtype)	检查提供的数组或 dtype 是否为无符号整数 dtype。
`api.types.is_sparse`(arr)	(已弃用) 检查数组状对象是否为一维 Pandas 稀疏数组。

可迭代对象自省#

`api.types.is_dict_like`(obj)	检查对象是否为字典类。
`api.types.is_file_like`(obj)	检查对象是否为文件类对象。
`api.types.is_list_like`(obj[, allow_sets])	检查对象是否为列表类。
`api.types.is_named_tuple`(obj)	检查对象是否为命名元组。
`api.types.is_iterator`(obj)	检查对象是否为迭代器。

标量自省#

`api.types.is_bool`(obj)	如果给定对象为布尔值，则返回 True。
`api.types.is_complex`(obj)	如果给定对象为复数，则返回 True。
`api.types.is_float`(obj)	如果给定对象为浮点数，则返回 True。
`api.types.is_hashable`(obj[, allow_slice])	如果 hash(obj) 将成功，则返回 True，否则返回 False。
`api.types.is_integer`(obj)	如果给定对象为整数，则返回 True。
`api.types.is_number`(obj)	检查对象是否为数字。
`api.types.is_re`(obj)	检查对象是否为正则表达式模式实例。
`api.types.is_re_compilable`(obj)	检查对象是否可以编译为正则表达式模式实例。
`api.types.is_scalar`(val)	如果给定对象为标量，则返回 True。