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')

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')

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)

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。

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]”

简单的一行程序:

df.select_dtypes('number').columns