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。

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')

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。

简单的一行程序:

df.select_dtypes('number').columns

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。