从0.17开始，你必须使用显式转换：

pd.to_datetime, pd.to_timedelta and pd.to_numeric

(As下面提到的，没有更多的“魔术”，convert_objects已在0.17中被弃用）

df = pd.DataFrame({'x': {0: 'a', 1: 'b'}, 'y': {0: '1', 1: '2'}, 'z': {0: '2018-05-01', 1: '2018-05-02'}})

df.dtypes

x    object
y    object
z    object
dtype: object

df

   x  y           z
0  a  1  2018-05-01
1  b  2  2018-05-02

您可以将这些应用于要转换的每个列：

df["y"] = pd.to_numeric(df["y"])
df["z"] = pd.to_datetime(df["z"])    
df

   x  y          z
0  a  1 2018-05-01
1  b  2 2018-05-02

df.dtypes

x            object
y             int64
z    datetime64[ns]
dtype: object

并确认更新了dtype。
pandas 0.12 - 0.16的旧/弃用答案：你可以使用convert_objects来推断更好的dtypes：

In [21]: df
Out[21]: 
   x  y
0  a  1
1  b  2

In [22]: df.dtypes
Out[22]: 
x    object
y    object
dtype: object

In [23]: df.convert_objects(convert_numeric=True)
Out[23]: 
   x  y
0  a  1
1  b  2

In [24]: df.convert_objects(convert_numeric=True).dtypes
Out[24]: 
x    object
y     int64
dtype: object

“魔术！”（看到它被弃用很难过。）

你可以用pandas DataFrame.astype(dtype, copy=True, raise_on_error=True, **kwargs)显式地设置类型，并传入一个字典，里面有你想要的dtypes dtype
下面是一个示例：

import pandas as pd
wheel_number = 5
car_name = 'jeep'
minutes_spent = 4.5

# set the columns
data_columns = ['wheel_number', 'car_name', 'minutes_spent']

# create an empty dataframe
data_df = pd.DataFrame(columns = data_columns)
df_temp = pd.DataFrame([[wheel_number, car_name, minutes_spent]],columns = data_columns)
data_df = data_df.append(df_temp, ignore_index=True)

你得到

In [11]: data_df.dtypes
Out[11]:
wheel_number     float64
car_name          object
minutes_spent    float64
dtype: object

与

data_df = data_df.astype(dtype= {"wheel_number":"int64",
        "car_name":"object","minutes_spent":"float64"})

现在你可以看到它已经改变了

In [18]: data_df.dtypes
Out[18]:
wheel_number       int64
car_name          object
minutes_spent    float64

对于那些来自谷歌（等）的人，比如我自己：
convert_objects从0.17开始就被弃用了--如果你使用它，你会得到一个像这样的警告：

FutureWarning: convert_objects is deprecated.  Use the data-type specific converters 
pd.to_datetime, pd.to_timedelta and pd.to_numeric.

您应该执行以下操作：

• df =df.astype(np.float)
• df["A"] =pd.to_numeric(df["A"])

设置列类型的另一种方法是首先用所需的类型构造一个numpy记录数组，填充它，然后将其传递给DataFrame构造函数。

import pandas as pd
import numpy as np    

x = np.empty((10,), dtype=[('x', np.uint8), ('y', np.float64)])
df = pd.DataFrame(x)

df.dtypes ->

x      uint8
y    float64

最好使用类型化的np.arrays，然后将数据和列名作为字典传递。

import numpy as np
import pandas as pd
# Feature: np arrays are 1: efficient, 2: can be pre-sized
x = np.array(['a', 'b'], dtype=object)
y = np.array([ 1 ,  2 ], dtype=np.int32)
df = pd.DataFrame({
   'x' : x,    # Feature: column name is near data array
   'y' : y,
   }
 )

import pandas as pd
df = pd.DataFrame([['a', '1'], ['b', '2']], columns=['x', 'y'])
# Cast a pandas object to a specified dtype
df = df.astype({'x': 'object', 'y': int})
# Check
print(df.dtypes)

面对类似的问题，你。在我的情况下，我有1000的文件，从思科日志，我需要手动解析。
为了灵活地处理字段和类型，我已经成功地使用StringIO + read_cvs进行了测试，它确实接受了dtype规范的dict。
我通常将每个文件（5 k-20 k行）放入一个缓冲区，并动态创建dtype字典。
最后，我将这些 Dataframe 连接（使用分类...感谢0.19）成一个大 Dataframe ，然后转储到hdf 5中。
沿着这样的东西

import pandas as pd
import io 

output = io.StringIO()
output.write('A,1,20,31\n')
output.write('B,2,21,32\n')
output.write('C,3,22,33\n')
output.write('D,4,23,34\n')

output.seek(0)

df=pd.read_csv(output, header=None,
        names=["A","B","C","D"],
        dtype={"A":"category","B":"float32","C":"int32","D":"float64"},
        sep=","
       )

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
A    5 non-null category
B    5 non-null float32
C    5 non-null int32
D    5 non-null float64
dtypes: category(1), float32(1), float64(1), int32(1)
memory usage: 205.0 bytes
None

不是很pythonic....但做的工作
希望能帮上忙。
JC