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]”

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。

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 

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。

简单的一行程序:

df.select_dtypes('number').columns