我想知道Pandas DataFrames中是否有优雅和简便的方法来按数据类型（dtype）选择列。即，仅从DataFrame中选择int64列。
详细说明，
df.select_columns(dtype=float64)
提前感谢您的帮助
答案 0 :(得分：34)
从0.14.1开始，有一个select_dtypes方法，所以你可以更优雅/更普遍地做到这一点。
In [11]: df = pd.DataFrame([[1, 2.2, 'three']], columns=['A', 'B', 'C'])
In [12]: df.select_dtypes(include=['int'])
Out[12]:
A
0 1
要选择所有数字类型，请使用numpy dtype numpy.number
In [13]: df.select_dtypes(include=[np.number])
Out[13]:
A B
0 1 2.2
In [14]: df.select_dtypes(exclude=[object])
Out[14]:
A B
0 1 2.2
答案 1 :(得分：31)
df.loc[:, df.dtypes == np.float64]
答案 2 :(得分：11)
df.select_dtypes(include=[np.float64])
答案 3 :(得分：3)
我想通过添加用于选择所有浮动 dtypes或所有整数 dtypes的选项来扩展现有答案：
演示：
np.random.seed(1234)
df = pd.DataFrame({
'a':np.random.rand(3),
'b':np.random.rand(3).astype('float32'),
'c':np.random.randint(10,size=(3)).astype('int16'),
'd':np.arange(3).astype('int32'),
'e':np.random.randint(10**7,size=(3)).astype('int64'),
'f':np.random.choice([True, False], 3),
'g':pd.date_range('2000-01-01', periods=3)
})
的产率：
In [2]: df
Out[2]:
a b c d e f g
0 0.191519 0.785359 6 0 7578569 False 2000-01-01
1 0.622109 0.779976 8 1 7981439 True 2000-01-02
2 0.437728 0.272593 0 2 2558462 True 2000-01-03
In [3]: df.dtypes
Out[3]:
a float64
b float32
c int16
d int32
e int64
f bool
g datetime64[ns]
dtype: object
选择所有浮点数列：
In [4]: df.select_dtypes(include=['floating'])
Out[4]:
a b
0 0.191519 0.785359
1 0.622109 0.779976
2 0.437728 0.272593
In [5]: df.select_dtypes(include=['floating']).dtypes
Out[5]:
a float64
b float32
dtype: object
选择所有整数列：
In [6]: df.select_dtypes(include=['integer'])
Out[6]:
c d e
0 6 0 7578569
1 8 1 7981439
2 0 2 2558462
In [7]: df.select_dtypes(include=['integer']).dtypes
Out[7]:
c int16
d int32
e int64
dtype: object
选择所有数字列：
In [8]: df.select_dtypes(include=['number'])
Out[8]:
a b c d e
0 0.191519 0.785359 6 0 7578569
1 0.622109 0.779976 8 1 7981439
2 0.437728 0.272593 0 2 2558462
In [9]: df.select_dtypes(include=['number']).dtypes
Out[9]:
a float64
b float32
c int16
d int32
e int64
dtype: object
答案 4 :(得分：2)
多个包含用于选择带有类型列表的列，例如float64和int64
df_numeric = df.select_dtypes(include=[np.float64,np.int64])
答案 5 :(得分：2)
如果要选择int64列然后更新“就地”，则可以使用：
int64_cols = [col for col in df.columns if is_int64_dtype(df[col].dtype)]
df[int64_cols]
例如，请注意，我将df中的所有int64列更新为以下零：
In [1]:
import pandas as pd
from pandas.api.types import is_int64_dtype
df = pd.DataFrame({'a': [1, 2] * 3,
'b': [True, False] * 3,
'c': [1.0, 2.0] * 3,
'd': ['red','blue'] * 3,
'e': pd.Series(['red','blue'] * 3, dtype="category"),
'f': pd.Series([1, 2] * 3, dtype="int64")})
int64_cols = [col for col in df.columns if is_int64_dtype(df[col].dtype)]
print('int64 Cols: ',int64_cols)
print(df[int64_cols])
df[int64_cols] = 0
print(df[int64_cols])
Out [1]:
int64 Cols: ['a', 'f']
a f
0 1 1
1 2 2
2 1 1
3 2 2
4 1 1
5 2 2
a f
0 0 0
1 0 0
2 0 0
3 0 0
4 0 0
5 0 0
仅出于完整性考虑：
df.loc（）和df.select_dtypes（）将提供数据帧中切片的副本。这意味着，如果您尝试从df.select_dtypes（）更新值，则将获得SettingWithCopyWarning，并且不会对df进行任何更新。
例如，请注意，当我尝试使用.loc（）或.select_dtypes（）选择列来更新df时，什么也没发生：
In [2]:
df = pd.DataFrame({'a': [1, 2] * 3,
'b': [True, False] * 3,
'c': [1.0, 2.0] * 3,
'd': ['red','blue'] * 3,
'e': pd.Series(['red','blue'] * 3, dtype="category"),
'f': pd.Series([1, 2] * 3, dtype="int64")})
df_bool = df.select_dtypes(include='bool')
df_bool.b[0] = False
print(df_bool.b[0])
print(df.b[0])
df.loc[:, df.dtypes == np.int64].a[0]=7
print(df.a[0])
Out [2]:
False
True
1
答案 6 :(得分：1)
select_dtypes（include = [np.int]）
答案 7 :(得分：0)
（可选）如果您不想在此过程中创建数据框的子集，则可以直接遍历列数据类型。
我还没有对下面的代码进行基准测试，假设如果处理非常大的数据集，它将更快。
[col for col in df.columns.tolist() if df[col].dtype not in ['object','<M8[ns]']]
答案 8 :(得分：0)
您可以使用：
for i in x.columns[x.dtypes == 'object']: print(i)
如果您只想仅显示特定数据框的列名，而不是切片数据框。不知道是否有任何这样的功能退出python。
PS：将object替换为所需的数据类型。