def is_type(df, baseType):
    import numpy as np
    import pandas as pd
    test = [issubclass(np.dtype(d).type, baseType) for d in df.dtypes]
    return pd.DataFrame(data = test, index = df.columns, columns = ["test"])
def is_float(df):
    import numpy as np
    return is_type(df, np.float)
def is_number(df):
    import numpy as np
    return is_type(df, np.number)
def is_integer(df):
    import numpy as np
    return is_type(df, np.integer)

你可以使用DataFrame的select_dtypes方法。它包括include和exclude两个参数。所以isNumeric看起来是这样的:

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

newdf = df.select_dtypes(include=numerics)

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。第二个if语句用于检查对象引用的字符串值。

虽然这是一个古老的话题，

但我认为下面的公式比其他的都简单

df [df.describe () .columns]

由于函数describe()仅适用于数值列，因此输出的列将仅为数值列。

你可以使用没有文档的函数_get_numeric_data()只过滤数字列:

df._get_numeric_data()

例子:

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，一个实现细节)，将来可能会更改或完全删除。请谨慎使用。

这是另一个简单的代码，用于在pandas数据帧中查找数字列，

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