使用 df[column].apply(lambda x: isinstance(x, str)) 构造布尔索引，可高效筛选出该列值为字符串的行，从而剔除数值、None 或其他非字符串类型的数据。
使用 `df[column].apply(lambda x: isinstance(x, str))` 构造布尔索引，可高效筛选出该列值为字符串的行，从而剔除数值、none 或其他非字符串类型的数据。
在 Pandas 中，直接对 Series 使用 isinstance()（如 isinstance(df['value'], str)）会报错，因为 isinstance() 是面向单个对象的内置函数，无法作用于整个 Series 或 DataFrame。正确做法是逐元素判断类型，并返回一个与原 Series 等长的布尔数组，再用于行过滤。
以下是对原始示例的完整解决方案：
import pandas as pd
data = {'index': [0, 1, 2], 'value': ['zero', 1, 'two']}
df = pd.DataFrame(data)
# ✅ 正确：对 'value' 列每个元素应用 isinstance 判断是否为 str
mask = df['value'].apply(lambda x: isinstance(x, str))
filtered_df = df[mask].reset_index(drop=True)
print(filtered_df)输出：
index value 0 0 zero 1 2 two
⚠️ 注意事项：
- 若列中存在 None、np.nan 或混合类型（如 object 类型但含数字和字符串），isinstance(x, str) 对 None 和 np.nan 均返回 False，符合“仅保留纯字符串”的预期；
- 避免使用 df['value'].dtype == 'object' 作为判断依据——这只能说明列是 object 类型，不能保证每个值都是字符串；
- 性能提示：对于超大规模数据（如数十万行），apply + lambda 已足够高效；若追求极致性能，可考虑 df['value'].map(type) == str，但语义清晰度略低，且对 NaN 的处理需额外注意（map(type) 对 NaN 返回 <class 'float'>）。
总结：类型过滤必须基于逐元素判断，apply 是最直观、可靠且可读性强的方式。结合布尔索引，即可安全、准确地删除非字符串行。
