为什么不直接使用pd.DataFrame呢？

import pandas as pd
def csv_to_df(path: str) -> pd.DataFrame:
    return pd.read_csv(path, skiprows=1, sep='\t', comment='#')

结果是一样的：

> help(csv_to_df)
Help on function csv_to_df in module __main__:
csv_to_df(path:str) -> pandas.core.frame.DataFrame

我目前正在执行以下操作：

from typing import TypeVar
PandasDataFrame = TypeVar('pandas.core.frame.DataFrame')
def csv_to_df(path: str) -> PandasDataFrame:
    return pd.read_csv(path, skiprows=1, sep='\t', comment='#')

其中：

> help(csv_to_df)
Help on function csv_to_df in module __main__:

csv_to_df(path:str) -> ~pandas.core.frame.DataFrame

我不知道这有多深奥，但我发现作为一个类型提示，它是可以理解的。

现在有一个pip包可以帮助解决这个问题。https://github.com/CedricFR/dataenforce
你可以用pip install dataenforce安装它，并使用非常Python类型的提示，比如：

def preprocess(dataset: Dataset["id", "name", "location"]) -> Dataset["location", "count"]:
    pass

查看here给出的答案，其中解释了包data-science-types的用法。

pip install data-science-types

演示

# program.py

import pandas as pd

df: pd.DataFrame = pd.DataFrame({'col1': [1,2,3], 'col2': [4,5,6]}) # OK
df1: pd.DataFrame = pd.Series([1,2,3]) # error: Incompatible types in assignment

使用mypy以相同的方式运行：
$ mypy program.py

这偏离了最初的问题，但基于@dangom使用TypeVar的回答和@Georgy的注解（无法在类型提示中指定DataFrame列的数据类型），您可以使用类似下面的简单解决方案来指定DataFrame中的数据类型：

from typing import TypeVar
DataFrameStr = TypeVar("pandas.core.frame.DataFrame(str)")
def csv_to_df(path: str) -> DataFrameStr:
    return pd.read_csv(path, skiprows=1, sep='\t', comment='#')

看一下pandera。
pandera提供了一个灵活的表达性API，用于对类似 Dataframe 的对象执行数据验证，以使数据处理管道更具可读性和鲁棒性。 Dataframe 包含pandera在运行时显式验证的信息。这在生产关键型或可复制的研究设置中非常有用。