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 ()

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']   

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

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

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

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']}