应优先使用 isinstance() 进行类型检查，因其支持继承和协议，而 type() 仅严格匹配类；处理转换时需明确合法输入、报错条件与降级策略，避免掩盖错误信号。
用 isinstance() 做类型检查，别信 type()
Python 的鸭子类型让很多转换逻辑看起来能跑通，但实际运行时突然报 AttributeError 或 TypeError——问题常出在“以为是某种类型，其实只是长得像”。type() 严格匹配类对象，无法识别子类或协议实现；而 isinstance() 支持继承链和 __instancecheck__，更贴近真实使用意图。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 对输入做校验时，优先用
isinstance(x, (str, bytes))而非type(x) == str - 处理自定义类时，如果它实现了类似
__len__和__iter__，考虑用collections.abc.Iterable替代硬判list或tuple - 注意
None是个常见漏网之鱼：isinstance(None, type(None))成立，但多数转换函数不接受它，需单独判断
字符串转数字时，int() 和 float() 的容错边界在哪
直接调 int("12.3") 会报 ValueError，但 float("12.3") 能过——这不是 bug，是设计：Python 明确区分整数解析（要求纯数字字符）和浮点解析（允许小数点、科学计数法）。更隐蔽的问题是空白符和 Unicode 数字。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
int()不处理空白以外的任何字符，哪怕" 42 "都要先.strip() -
float()可解析"inf"、"nan"，但下游计算可能崩，必要时用math.isfinite()过滤 - Unicode 全角数字（如
"１２３"）会被int()拒绝，需先用unicodedata.normalize("NFKC", s)转换
JSON 序列化前，datetime 和 Decimal 怎么安全转成 JSON 友好类型
标准 json.dumps() 直接炸：遇到 datetime 报 TypeError: Object of type datetime is not JSON serializable，Decimal 同理。这不是配置问题，是 JSON 规范本身不支持这些类型，必须显式转换。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 不要重写整个
JSONEncoder类，除非需要统一策略；临时转换用default参数更轻量：json.dumps(obj, default=str)可兜底大多数可读类型（但str(datetime)格式不标准） - 对
datetime，明确用.isoformat()或.strftime("%Y-%m-%d %H:%M:%S")，避免依赖str()的隐式行为 -
Decimal必须转float或str：转float有精度丢失风险（如Decimal("0.1") → 0.10000000000000000555），金融场景务必转str
用 pandas.to_numeric() 处理混合类型列，errors="coerce" 的副作用
当 CSV 或 Excel 里一列本该是数字，却混了 "N/A"、"–"、空格甚至中文，to_numeric() 默认直接报错。设 errors="coerce" 确实能转成 NaN，但代价是：所有无法解析的值都变成 np.nan，你再也分不清是原始缺失，还是脏数据被抹平了。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
pd.api.types.is_string_dtype()确认列类型，再决定是否强转 - 用
errors="raise"+try/except捕获首次报错，打印出问题值定位源头，比盲目coerce更可靠 - 若必须用
coerce，之后立刻检查df[col].isna().sum()占比，异常高说明原始数据质量差，该修上游而不是靠 pandas 掩盖
类型安全不是加一堆 isinstance 就完事，而是清楚每个转换环节里，什么值算“合法输入”、什么值算“该报错”、什么值算“可以降级处理”。最容易被忽略的是：你以为的“安全兜底”，其实悄悄吞掉了关键错误信号。
