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。

调整这个答案，你可以做到

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

在这里，np.applymap(np.isreal)显示数据帧中的每个单元格是否都是数值，而.axis(all=0)检查列中的所有值是否都为True，并返回一系列可用于索引所需列的布尔值。

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']
    

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。

简单的一行程序:

df.select_dtypes('number').columns