另一种方法可能如下:-

#extracting numeric columns from iris datset
(iris[sapply(iris, is.numeric)])

PCAmixdata库有一个splitmix函数，它可以对给定的数据框架“YourDataframe”进行定量(数值数据)和定性(分类数据)的拆分，如下所示:

install.packages("PCAmixdata")
library(PCAmixdata)
split <- splitmix(YourDataframe)
X1 <- split$X.quanti(Gives numerical columns in the dataset) 
X2 <- split$X.quali (Gives categorical columns in the dataset)

这并不能直接回答问题，但非常有用，特别是当你想要除id列和因变量外的所有数字列时。

numeric_cols <- sapply(dataframe, is.numeric) %>% which %>% 
                   names %>% setdiff(., c("id_variable", "dep_var"))

dataframe %<>% dplyr::mutate_at(numeric_cols, function(x) your_function(x))

来自基本包的Filter()是该用例的完美函数: 你只需要编写代码:

Filter(is.numeric, x)

它也比select_if()快得多:

library(microbenchmark)
microbenchmark(
    dplyr::select_if(mtcars, is.numeric),
    Filter(is.numeric, mtcars)
)

Filter返回(在我的计算机上)中值为60微秒，select_if返回21 000微秒(快350倍)。

Numerical_variables <- which(sapply(df, is.numeric))
# then extract column names 
Names <- names(Numerical_variables)

编辑:更新，以避免使用不明智的应用。

由于数据帧是一个列表，我们可以使用list-apply函数:

nums <- unlist(lapply(x, is.numeric), use.names = FALSE)  

然后是标准子集

x[ , nums]

## don't use sapply, even though it's less code
## nums <- sapply(x, is.numeric)

对于一个更习惯的现代R，我现在推荐

x[ , purrr::map_lgl(x, is.numeric)]

更少的可编程性，更少的反映R的特殊癖好，更直接，更健壮地用于数据库后端tibbles:

dplyr::select_if(x, is.numeric)

新版本的dplyr也支持以下语法:

x %>% dplyr::select(where(is.numeric))