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。

很多贴出来的答案都是低效的。这些答案要么返回/选择原始数据帧的子集(不必要的副本)，要么在describe()的情况下执行不必要的计算统计。

要获得数字列名，可以使用pd.api.types的条件列表推导式。is_numeric_dtype功能:

numeric_cols = [col for col in df if pd.api.types.is_numeric_dtype(df[col])]

我不确定这个函数是什么时候引入的。

简单的一行程序:

df.select_dtypes('number').columns

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

更新:

df.select_dtypes(include= np.number)

或者是熊猫的新版本

 df.select_dtypes('number')

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)