你可以在dtypes属性上使用布尔掩码:

In [11]: df = pd.DataFrame([[1, 2.3456, 'c']])

In [12]: df.dtypes
Out[12]: 
0      int64
1    float64
2     object
dtype: object

In [13]: msk = df.dtypes == np.float64  # or object, etc.

In [14]: msk
Out[14]: 
0    False
1     True
2    False
dtype: bool

您可以只查看那些具有所需dtype的列:

In [15]: df.loc[:, msk]
Out[15]: 
        1
0  2.3456

现在你可以使用round(或其他)并将其赋值回去:

In [16]: np.round(df.loc[:, msk], 2)
Out[16]: 
      1
0  2.35

In [17]: df.loc[:, msk] = np.round(df.loc[:, msk], 2)

In [18]: df
Out[18]: 
   0     1  2
0  1  2.35  c

如果你想要一个特定类型的列列表，你可以使用groupby:

>>> df = pd.DataFrame([[1, 2.3456, 'c', 'd', 78]], columns=list("ABCDE"))
>>> df
   A       B  C  D   E
0  1  2.3456  c  d  78

[1 rows x 5 columns]
>>> df.dtypes
A      int64
B    float64
C     object
D     object
E      int64
dtype: object
>>> g = df.columns.to_series().groupby(df.dtypes).groups
>>> g
{dtype('int64'): ['A', 'E'], dtype('float64'): ['B'], dtype('O'): ['C', 'D']}
>>> {k.name: v for k, v in g.items()}
{'object': ['C', 'D'], 'int64': ['A', 'E'], 'float64': ['B']}

从pandas v0.14.1开始，可以使用select_dtypes()按dtype选择列

In [2]: df = pd.DataFrame({'NAME': list('abcdef'),
    'On_Time': [True, False] * 3,
    'On_Budget': [False, True] * 3})

In [3]: df.select_dtypes(include=['bool'])
Out[3]:
  On_Budget On_Time
0     False    True
1      True   False
2     False    True
3      True   False
4     False    True
5      True   False

In [4]: mylist = list(df.select_dtypes(include=['bool']).columns)

In [5]: mylist
Out[5]: ['On_Budget', 'On_Time']

如果你想要一个只有对象列的列表，你可以这样做:

non_numerics = [x for x in df.columns \
                if not (df[x].dtype == np.float64 \
                        or df[x].dtype == np.int64)]

然后如果你想要得到另一个数字列表

numerics = [x for x in df.columns if x not in non_numerics]

使用dtype将为您提供所需的列的数据类型:

dataframe['column1'].dtype

如果你想一次知道所有列的数据类型，你可以使用dtype的复数作为dtypes:

dataframe.dtypes

list(df.select_dtypes(['object']).columns)

这应该能奏效

使用df.info(verbose=True)，其中df是一个pandas datafarme，默认为verbose=False

获取特定dtype的列列表的最直接方法。“对象”:

df.select_dtypes(include='object').columns

例如:

>>df = pd.DataFrame([[1, 2.3456, 'c', 'd', 78]], columns=list("ABCDE"))
>>df.dtypes

A      int64
B    float64
C     object
D     object
E      int64
dtype: object

获取所有'object' dtype列:

>>df.select_dtypes(include='object').columns

Index(['C', 'D'], dtype='object')

仅仅是列表:

>>list(df.select_dtypes(include='object').columns)

['C', 'D']   

我想出了这个三句话。

本质上，它是这样做的:

获取列名及其各自的数据类型。 我可以选择将它输出到csv。

inp = pd.read_csv('filename.csv') # read input. Add read_csv arguments as needed
columns = pd.DataFrame({'column_names': inp.columns, 'datatypes': inp.dtypes})
columns.to_csv(inp+'columns_list.csv', encoding='utf-8') # encoding is optional

这使得我在尝试动态生成模式时更加容易。希望这能有所帮助

yoshiserry;

def col_types(x,pd):
    dtypes=x.dtypes
    dtypes_col=dtypes.index
    dtypes_type=dtypes.value
    column_types=dict(zip(dtypes_col,dtypes_type))
    return column_types

我使用infer_objects()

文档字符串:尝试为对象列推断更好的dtype。 尝试对对象类型的列进行软转换，保留非对象 不可转换列不变。推理规则是相同的 与正常的系列/数据框架构建过程一样。

.dtypes df.infer_objects ()

如果6年后你仍然有这个问题，这应该可以解决它:)

cols = [c for c in df.columns if df[c].dtype in ['object', 'datetime64[ns]']]

df = pd.DataFrame({'float': [1.0],
                   'int': [1],
                   'bool_1': [False],
                   'datetime': [pd.Timestamp('20180310')],
                   'bool_2': [True],
                   'string': ['foo']})
df.dtypes

# float              float64
# int                  int64
# bool_1                bool
# datetime    datetime64[ns]
# bool_2                bool
# string              object
# dtype: object


[column for column, is_type in (df.dtypes==bool).items() if is_type]
# ['bool_1', 'bool_2']

许多已发布的解决方案都使用df。Select_dtypes会不必要地创建一个临时的中间数据帧。如果你想要的只是“非数字类型(不是float32/int64/complex128/等等)的列的列表，只需执行其中一个(如果你只想要数字类型，则删除“not”):

import numpy as np
[c for c in df.columns if not np.issubdtype(df[c].dtype, np.number)]

from pandas.api.types import is_numeric_dtype
[c for c in df.columns if not is_numeric_dtype(c)]

注意:如果你想区分浮点数(float32/float64)与整数和复数，那么你可以使用np。浮动而不是np。上面两个解中的第一个或者下面两个解中的第一个。

如果你想让结果是pd。索引，而不是像上面那样只是列名字符串列表，这里有两种方法(第一种是基于@juanpa.arrivillaga):

import numpy as np
df.columns[[not np.issubdtype(dt, np.number) for dt in df.dtypes]]

from pandas.api.types import is_numeric_dtype
df.columns[[not is_numeric_dtype(c) for c in df.columns]]

其他一些方法可能会将bool列视为数值类型，但上面的解决方案不会这样做(使用numpy 1.22.3 / pandas 1.4.2测试)。