在Python中，数字验证通常用于检查输入是否为有效的数字类型（如整数、浮点数等），或者是否符合特定的数字范围、格式要求。根据不同的使用场景，可以采用多种方法进行数字验证，包括基础的数据类型检查、正则表达式、以及结合第三方库进行更复杂的校验。 ### 基础数字验证方法 #### 1. 使用 `isinstance()` 检查变量类型 如果目标是验证某个变量是否为整数或浮点数，可以使用 `isinstance()` 函数进行判断[^2]。 ```python x = 10 if isinstance(x, (int, float)): print("x 是数字类型") else: print("x 不是数字类型") ``` #### 2. 输入校验（如用户输入） 在用户输入场景中，例如要求输入一个整数，可以结合 `try-except` 结构进行类型转换并捕获异常[^4]。 ```python def get_integer_input(): while True: try: value = int(input("请输入一个整数：")) return value except ValueError: print("输入无效，请输入一个有效的整数。") num = get_integer_input() print(f"您输入的整数是：{num}") ``` #### 3. 使用正则表达式验证数字格式 当需要验证字符串是否为合法的数字格式（如整数、浮点数、科学计数法等），可以使用 `re` 模块进行正则表达式匹配[^2]。 ```python import re def is_valid_number(s): pattern = r'^[+-]?(\d+(\.\d*)?|\.\d+)([eE][+-]?\d+)?$' return re.fullmatch(pattern, s.strip()) is not None print(is_valid_number("123")) # True print(is_valid_number("-123.45")) # True print(is_valid_number("abc")) # False ``` ### 进阶验证方法 #### 4. 使用 `pydantic` 进行数据模型验证 对于更复杂的数字验证需求，例如在API请求或数据模型中验证字段类型和范围，可以使用 `pydantic` 库进行结构化校验[^2]。 ```python from pydantic import BaseModel, validator from typing import Optional class UserInput(BaseModel): age: int @validator('age') def check_age(cls, v): if v < 0 or v > 150: raise ValueError('年龄必须在0到150之间') return v try: user = UserInput(age=120) print(user) except ValueError as e: print(e) ``` #### 5. 使用 `numpy` 或 `pandas` 进行批量数据验证 在数据科学或数据清洗场景中，可使用 `pandas` 对数据框中的数字列进行有效性检查，例如筛选非数字值或超出范围的数值[^2]。 ```python import pandas as pd df = pd.DataFrame({'value': ['10', '20', 'abc', '30.5']}) df['value'] = pd.to_numeric(df['value'], errors='coerce') valid_numbers = df[df['value'].notna()] print(valid_numbers) ``` ### 应用场景示例 - **用户注册验证**：确保用户输入的年龄为有效整数。 - **金融数据清洗**：过滤掉无效或异常的数值记录。 - **API接口参数校验**：确保传入的参数为合法的数字格式。 - **自动化测试**：对系统返回的数值型结果进行断言验证。 ---