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)

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。

我们可以根据下面的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

参考自木星笔记本。

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dtype，但请注意 这将返回所有对象dtype列 参见NumPy dtype层次结构<http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>__ 要选择日期时间，使用np。Datetime64， 'datetime'或 “datetime64” 要选择时间增量，使用np。Timedelta64， 'timedelta'或者 “timedelta64” 要选择Pandas分类dtypes，使用'category' 要选择Pandas datetimetz类型，使用'datetimetz'(在 0.20.0)或“datetime64[ns, tz]”

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)

下面的代码将返回数据集的数字列的名称列表。

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

这里marketing_train是我的数据集，select_dtypes()是使用exclude和include参数选择数据类型的函数，columns用于获取数据集的列名 以上代码的输出如下:

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

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