Python 如何在Pandas中找到数字列？

假设

df

是一个数据帧。 我想查找所有数字类型的列。 比如：

isNumeric = is_numeric(df)

适应，你可以做

df.ix[:,df.applymap(np.isreal).all(axis=0)]

---

在这里，

np.applymap（np.isreal）

显示数据框中的每个单元格是否都是数字，

.axis（all=0）

检查列中的所有值是否为真，并返回一系列布尔值，可用于索引所需列。

您可以使用数据框的

选择数据类型

方法。它包括两个参数include和exclude。所以isNumeric看起来像：

numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']

newdf = df.select_dtypes(include=numerics)

---

您可以使用未记录的函数

\u get\u numeric\u data（）

仅过滤数字列：

df._get_numeric_data()

df.select_dtypes(include=np.number)

df.select_dtypes(include=np.number).columns.tolist()

例如：

In [32]: data
Out[32]:
   A  B
0  1  s
1  2  s
2  3  s
3  4  s

In [33]: data._get_numeric_data()
Out[33]:
   A
0  1
1  2
2  3
3  4

请注意，这是一个“私有方法”（即实现细节），将来可能会更改或完全删除小心使用

df.select_dtypes(exclude = ['object'])

更新：

df.select_dtypes(include= np.number)

或者是新版本的熊猫

 df.select_dtypes('number')

---

这是另一个在数据框中查找数字列的简单代码

numeric_clmns = df.dtypes[df.dtypes != "object"].index 

---

简单的一行回答可创建仅包含数字列的新数据框：

df._get_numeric_data()

df.select_dtypes(include=np.number)

df.select_dtypes(include=np.number).columns.tolist()

如果需要数字列的名称：

df._get_numeric_data()

df.select_dtypes(include=np.number)

df.select_dtypes(include=np.number).columns.tolist()

完整代码：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': range(7, 10),
                   'B': np.random.rand(3),
                   'C': ['foo','bar','baz'],
                   'D': ['who','what','when']})
df
#    A         B    C     D
# 0  7  0.704021  foo   who
# 1  8  0.264025  bar  what
# 2  9  0.230671  baz  when

df_numerics_only = df.select_dtypes(include=np.number)
df_numerics_only
#    A         B
# 0  7  0.704021
# 1  8  0.264025
# 2  9  0.230671

colnames_numerics_only = df.select_dtypes(include=np.number).columns.tolist()
colnames_numerics_only
# ['A', 'B']

---

请参阅以下代码：

if(dataset.select_dtypes(include=[np.number]).shape[1] > 0):
display(dataset.select_dtypes(include=[np.number]).describe())
if(dataset.select_dtypes(include=[np.object]).shape[1] > 0):
display(dataset.select_dtypes(include=[np.object]).describe())

---

通过这种方式，您可以检查值是数值，如float和int，还是srting值。第二条if语句用于检查对象引用的字符串值

以下代码将返回数据集数字列的名称列表

cnames=list(marketing_train.select_dtypes(exclude=['object']).columns)

这里的

marketing\u train

是我的数据集，

select\u dtypes（）

是使用exclude和include参数选择数据类型的函数，列用于获取数据集的列名 上述代码的输出如下：

['custAge',
     'campaign',
     'pdays',
     'previous',
     'emp.var.rate',
     'cons.price.idx',
     'cons.conf.idx',
     'euribor3m',
     'nr.employed',
     'pmonths',
     'pastEmail']
    

简单一行：

df.select_dtypes('number').columns

---

我们可以根据以下要求包括和排除数据类型：

train.select_dtypes(include=None, exclude=None)
train.select_dtypes(include='number') #will include all the numeric types

参考Jupyter笔记本

要选择所有数字类型，请使用

np.number

或

'number'

• 要选择字符串，必须使用

  对象

  数据类型，但请注意 这将返回所有对象数据类型列

• 请参见

  NumPy数据类型层次结构

  __

• 要选择日期时间，请使用

  np.datetime64

  ，

  “datetime”

  或

  'datetime64'

• 要选择timedelta，请使用

  np.timedelta64

  ，

  “timedelta”

  或

  'timedelta64'

• 要选择分类数据类型，请使用

  'category'

• 要选择datetimetz数据类型，请使用

  “datetimetz”

  （在中新增 0.20.0）或“日期时间64[ns，tz]”

---

您应该指定具有

dtype

的列是否为

object

，但所有元素均为数字的列是否为数字列。如果没有，就接受哈南的答案，因为它也更快。否则，以我的为例。如果您只是尝试df.descripe（）.columns，会发生什么。然后将其分配给一个变量。您可以使用df.select类型（include=[np.number]），如果您不需要在前面的注释（+1）的提示中指定“numerics”列表，您可以使用

列表（df.select类型（include=[np.number]）columns.values）

要获取数字列的名称列表，时间列是另一种类型

datetime

它们不是数字类型

df。选择数据类型（include=['int64']）。columns.tolist（）

如果只需要一种类型，则无需将其存储在列表中。也不需要指定

include=

选择数据类型（np.number）

如果列有数字数据，但也没有，则数据类型可以是“object”。这将强制列为数字：

df.fillna（value=0，inplace=True）

另外：

df.选择数据类型（'number'）

。它甚至更短，而且您不必方便地导入numpySuper；这有文件记录吗？担心它在未来版本中消失和/或不稳定，因为没有，这在任何地方都没有记录。然而，实现就像@ijoseph提到的那样，我会小心使用以下划线开头的方法，因为它们只不过是实现细节。除此之外，请使用任何其他答案。作为最佳实践，我尝试使用并转换为尽可能多的numpy方法。这是由于熊猫的活力。API经常变化。对于没有文档记录的方法来说，不管它有多有用，它都是鲁莽的。是的，这是迄今为止最具python风格的方法。