问的问题标题很笼统，但问题正文中说明的作者用例是具体的。因此可以使用任何其他答案。
但为了完全回答 标题问题，应该澄清的是，在某些情况下，似乎所有方法都可能失败并且需要一些返工。我审查了所有这些（以及一些额外的）以降低可靠性顺序（在我看来）：
1。通过== 直接比较类型（已接受的答案）。
尽管这是公认的答案并且有最多的赞成票，但我认为根本不应该使用这种方法。因为事实上这种方法在 python 中是不鼓励的，正如多次提到的here。
但是，如果仍然想使用它 - 应该注意一些 pandas 特定的 dtype，例如 pd.CategoricalDType、pd.PeriodDtype 或 pd.IntervalDtype。这里必须使用额外的type( ) 才能正确识别dtype：
s = pd.Series([pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')])
s
s.dtype == pd.PeriodDtype # Not working
type(s.dtype) == pd.PeriodDtype # working
>>> 0 2002-03-01
>>> 1 2012-02-01
>>> dtype: period[D]
>>> False
>>> True
这里的另一个警告是应该精确指出类型：
s = pd.Series([1,2])
s
s.dtype == np.int64 # Working
s.dtype == np.int32 # Not working
>>> 0 1
>>> 1 2
>>> dtype: int64
>>> True
>>> False
2。 isinstance() 接近。
到目前为止，答案中尚未提及此方法。
因此，如果直接比较类型不是一个好主意 - 让我们尝试为此目的内置 python 函数，即 - isinstance()。
它刚开始就失败了，因为假设我们有一些对象，但 pd.Series 或 pd.DataFrame 可以用作带有预定义 dtype 但其中没有对象的空容器：
s = pd.Series([], dtype=bool)
s
>>> Series([], dtype: bool)
但是如果有人以某种方式克服了这个问题，并且想要访问每个对象，例如，在第一行中并像这样检查它的 dtype：
df = pd.DataFrame({'int': [12, 2], 'dt': [pd.Timestamp('2013-01-02'), pd.Timestamp('2016-10-20')]},
index = ['A', 'B'])
for col in df.columns:
df[col].dtype, 'is_int64 = %s' % isinstance(df.loc['A', col], np.int64)
>>> (dtype('int64'), 'is_int64 = True')
>>> (dtype('<M8[ns]'), 'is_int64 = False')
在单列数据类型混合的情况下会产生误导：
df2 = pd.DataFrame({'data': [12, pd.Timestamp('2013-01-02')]},
index = ['A', 'B'])
for col in df2.columns:
df2[col].dtype, 'is_int64 = %s' % isinstance(df2.loc['A', col], np.int64)
>>> (dtype('O'), 'is_int64 = False')
最后但同样重要的是 - 此方法无法直接识别 Category dtype。如docs中所述：
从分类数据返回单个项目也将返回值，而不是长度为“1”的分类。
df['int'] = df['int'].astype('category')
for col in df.columns:
df[col].dtype, 'is_int64 = %s' % isinstance(df.loc['A', col], np.int64)
>>> (CategoricalDtype(categories=[2, 12], ordered=False), 'is_int64 = True')
>>> (dtype('<M8[ns]'), 'is_int64 = False')
所以这个方法也几乎不适用。
3。 df.dtype.kind 接近。
此方法可能适用于空的pd.Series 或pd.DataFrames，但还有另一个问题。
首先 - 它无法区分某些数据类型：
df = pd.DataFrame({'prd' :[pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')],
'str' :['s1', 's2'],
'cat' :[1, -1]})
df['cat'] = df['cat'].astype('category')
for col in df:
# kind will define all columns as 'Object'
print (df[col].dtype, df[col].dtype.kind)
>>> period[D] O
>>> object O
>>> category O
其次，对我来说实际上还不清楚的是，它甚至会返回一些 dtypes None。
4。 df.select_dtypes 接近。
这几乎就是我们想要的。这种方法在 pandas 内部设计，因此它可以处理前面提到的大多数极端情况 - 空 DataFrames，很好地区分 numpy 或 pandas 特定的 dtypes。它适用于像.select_dtypes('bool') 这样的单一数据类型。它甚至可以用于根据 dtype 选择列组：
test = pd.DataFrame({'bool' :[False, True], 'int64':[-1,2], 'int32':[-1,2],'float': [-2.5, 3.4],
'compl':np.array([1-1j, 5]),
'dt' :[pd.Timestamp('2013-01-02'), pd.Timestamp('2016-10-20')],
'td' :[pd.Timestamp('2012-03-02')- pd.Timestamp('2016-10-20'),
pd.Timestamp('2010-07-12')- pd.Timestamp('2000-11-10')],
'prd' :[pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')],
'intrv':pd.arrays.IntervalArray([pd.Interval(0, 0.1), pd.Interval(1, 5)]),
'str' :['s1', 's2'],
'cat' :[1, -1],
'obj' :[[1,2,3], [5435,35,-52,14]]
})
test['int32'] = test['int32'].astype(np.int32)
test['cat'] = test['cat'].astype('category')
像这样，如docs中所述：
test.select_dtypes('number')
>>> int64 int32 float compl td
>>> 0 -1 -1 -2.5 (1-1j) -1693 days
>>> 1 2 2 3.4 (5+0j) 3531 days
On 可能会认为我们在这里看到了第一个意想不到的（过去对我来说：question）结果 - TimeDelta 包含在输出 DataFrame 中。但正如answered 相反，它应该是这样，但必须意识到这一点。请注意，bool dtype 被跳过，这对于某些人来说可能也是不受欢迎的，但这是由于 bool 和 number 位于不同的“subtrees”的 numpy dtypes 中。如果是 bool，我们可以在这里使用test.select_dtypes(['bool'])。
此方法的下一个限制是对于当前版本的 pandas (0.24.2)，此代码：test.select_dtypes('period') 将引发 NotImplementedError。
另一件事是它无法将字符串与其他对象区分开来：
test.select_dtypes('object')
>>> str obj
>>> 0 s1 [1, 2, 3]
>>> 1 s2 [5435, 35, -52, 14]
但这是，首先 - 已经在文档中 mentioned。第二 - 不是这种方法的问题，而是字符串存储在DataFrame 中的方式。不过不管怎样，这个案子得有一些后期处理。
5。 df.api.types.is_XXX_dtype 接近。
我想这是实现 dtype 识别的最强大和最原生的方式（函数所在的模块的路径自己说）。它工作得几乎完美，但仍然有at least one caveat and still have to somehow distinguish string columns。
此外，这可能是主观的，但与.select_dtypes('number') 相比，这种方法还具有更多“人类可理解的”number dtypes 组处理：
for col in test.columns:
if pd.api.types.is_numeric_dtype(test[col]):
print (test[col].dtype)
>>> bool
>>> int64
>>> int32
>>> float64
>>> complex128
不包括timedelta 和bool。完美。
我的管道此时正好利用了这个功能，加上一些后期手工处理。
输出。
希望我能够论证主要观点 - 可以使用所有讨论过的方法，但只有 pd.DataFrame.select_dtypes() 和 pd.api.types.is_XXX_dtype 应该真正被视为适用的。