Python 如何判断pandas数据帧中的列是否为datetime类型？如何判断列是否为数字？

我试图根据pandas数据框中的列是否为date类型来过滤它们。我可以找出哪些是，但随后必须解析该输出或手动选择列。我想自动选择日期列。这里是我迄今为止的一个例子——在本例中，我只想选择“date\u col”列

import pandas as pd
df = pd.DataFrame([['Feb-2017', 1, 2],
                   ['Mar-2017', 1, 2],
                   ['Apr-2017', 1, 2],
                   ['May-2017', 1, 2]], 
                  columns=['date_str', 'col1', 'col2'])
df['date_col'] = pd.to_datetime(df['date_str'])
df.dtypes

输出：

---

Pandas有一个很酷的函数，名为select_dtypes，可以将exclude或include或两者都作为参数。它根据数据类型过滤数据帧。因此，在本例中，您希望包括dtype np.datetime64的列。要按整数过滤，您可以使用[np.int64，np.int32，np.int16，np.int]作为浮点：[np.float32，np.float64，np.float16，np.float]，只按数值列过滤：[np.number]

输出：

在：

输出：

---

更丑陋的裸体替代品：

In [102]: df.loc[:, [np.issubdtype(t, np.datetime64) for t in df.dtypes]]
Out[102]:
    date_col
0 2017-02-01
1 2017-03-01
2 2017-04-01
3 2017-05-01

In [103]: df.loc[:, [np.issubdtype(t, np.number) for t in df.dtypes]]
Out[103]:
   col1  col2
0     1     2
1     1     2
2     1     2
3     1     2

---

我刚刚遇到这个问题，发现@charlie haley的答案对于我的用例来说不够笼统。尤其是np.datetime64似乎与datetime64[ns，UTC]不匹配

df['date\u col']=pd.to\u datetimedf['date\u str']，utc=True printdf.date\u str.dtype datetime64[ns，UTC] 您还可以扩展数据类型列表以包括其他类型，但这似乎不是一个很好的解决方案，无法满足未来的兼容性，因此我最终使用了pandas api中的is_datetime64_any_数据类型函数

在：

从pandas.api.types导入的是\u datetime 64 \u任何\u数据类型 df[[column for column in df.columns if is_datetimedf[column]]] 输出：

日期 0 2017-02-01 00:00:00+00:00 1 2017-03-01 00:00:00+00:00 2 2017-04-01 00:00:00+00:00 3 2017-05-01 00:00:00+00:00

---

此代码自动标识日期列，并将数据类型从object更改为“datetime64[ns]”。一旦获得日期数据类型，就可以轻松地执行其他操作

for col in data.columns:
    if data[col].dtype == 'object':
        try:
            data[col] = pd.to_datetime(data[col])
        except ValueError:
            pass

---

最近我需要检查列中的任何元素是日期还是数字

我的方法是，尝试转换为datetime或numeric类型，然后检查是否有任何元素为null

pd.to_datetime( data_temp.eval('col_name'), format='%d/%m/%Y', errors='coerce')

输出：

0   2010-09-16
1   2010-09-16
2   2018-06-04
3          NaT
4          NaT
5   2018-11-30

numpy.bool_

bool

然后使用isnull检查元素是否可以转换

pd.to_datetime( data_temp.eval('col_name'), format='%d/%m/%Y', errors='coerce').isnull().any()

这将返回True，因为最后一个元素为null/NaT

检查数字

data_temp.eval('col_name').astype(str).str.isnumeric().all()

如果列上的所有元素都是数字，则返回True

两者都将返回一个numpy.bool\ux，但如果需要，可以很容易地将其转换为bool

type(pd.to_datetime( data_temp.eval(name), format='%d/%m/%Y', errors='coerce').isnull().any())

输出：

0   2010-09-16
1   2010-09-16
2   2018-06-04
3          NaT
4          NaT
5   2018-11-30

numpy.bool_

bool

-

输出：

0   2010-09-16
1   2010-09-16
2   2018-06-04
3          NaT
4          NaT
5   2018-11-30

numpy.bool_

bool

---

这应该适用于包含时区信息的datetime。在这里，我将最初存储为对象的datetime对象转换为datetime，然后对其进行本地化

我的初始日期时间值如下所示

2021-06-15 23:35:00+05:30

对于zipdata.dtypes.index、data.dtypes.values中的i、j： 如果typej==pd.core.dtypes.dtypes.DatetimeTZDtype： 数据[i]=pd.to_datetimedata[i]，utc=True 数据[i]=数据[i].dt.tz_convertz='Asia/Kolkata' 数据[i]=数据[i].dt.tz_localizetz=None

---

尽管它严格来说是正确的，但我想指出，此解决方案不检测datetime.date字段