def is_type(df, baseType):
    import numpy as np
    import pandas as pd
    test = [issubclass(np.dtype(d).type, baseType) for d in df.dtypes]
    return pd.DataFrame(data = test, index = df.columns, columns = ["test"])
def is_float(df):
    import numpy as np
    return is_type(df, np.float)
def is_number(df):
    import numpy as np
    return is_type(df, np.number)
def is_integer(df):
    import numpy as np
    return is_type(df, np.integer)

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)

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。

df.select_dtypes(exclude = ['object'])

更新:

df.select_dtypes(include= np.number)

或者是熊猫的新版本

 df.select_dtypes('number')

这是另一个简单的代码，用于在pandas数据帧中查找数字列，

numeric_clmns = df.dtypes[df.dtypes != "object"].index 

简单的一行回答，创建一个只有数字列的新数据框架:

df.select_dtypes(include=np.number)

如果您想要数值列的名称:

df.select_dtypes(include=np.number).columns.tolist()

完整的代码:

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': range(7, 10),
                   'B': np.random.rand(3),
                   'C': ['foo','bar','baz'],
                   'D': ['who','what','when']})
df
#    A         B    C     D
# 0  7  0.704021  foo   who
# 1  8  0.264025  bar  what
# 2  9  0.230671  baz  when

df_numerics_only = df.select_dtypes(include=np.number)
df_numerics_only
#    A         B
# 0  7  0.704021
# 1  8  0.264025
# 2  9  0.230671

colnames_numerics_only = df.select_dtypes(include=np.number).columns.tolist()
colnames_numerics_only
# ['A', 'B']

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。

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']
    

简单的一行程序:

df.select_dtypes('number').columns

我们可以根据下面的要求包括和排除数据类型:

train.select_dtypes(include=None, exclude=None)
train.select_dtypes(include='number') #will include all the numeric types

参考自木星笔记本。

要选择所有数字类型，请使用np。Number或' Number '

要选择字符串，必须使用对象dtype，但请注意 这将返回所有对象dtype列 参见NumPy dtype层次结构<http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>__ 要选择日期时间，使用np。Datetime64， 'datetime'或 “datetime64” 要选择时间增量，使用np。Timedelta64， 'timedelta'或者 “timedelta64” 要选择Pandas分类dtypes，使用'category' 要选择Pandas datetimetz类型，使用'datetimetz'(在 0.20.0)或“datetime64[ns, tz]”

虽然这是一个古老的话题，

但我认为下面的公式比其他的都简单

df [df.describe () .columns]

由于函数describe()仅适用于数值列，因此输出的列将仅为数值列。

很多贴出来的答案都是低效的。这些答案要么返回/选择原始数据帧的子集(不必要的副本)，要么在describe()的情况下执行不必要的计算统计。

要获得数字列名，可以使用pd.api.types的条件列表推导式。is_numeric_dtype功能:

numeric_cols = [col for col in df if pd.api.types.is_numeric_dtype(df[col])]

我不确定这个函数是什么时候引入的。