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

这应该能奏效

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

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]']]

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

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