Как определить, является ли столбец/переменная числовым или нет в Pandas/NumPy?

Ответ 1

Вы можете использовать np.issubdtype, чтобы проверить, является ли dtype подтипом типа np.number. Примеры:

np.issubdtype(arr.dtype, np.number)  # where arr is a numpy array
np.issubdtype(df['X'].dtype, np.number)  # where df['X'] is a pandas Series

Это работает для ntypty dtypes, но не для определенных типов панд, таких как pd.Categorical, как заметил Томас noted. Если вы используете категориальные is_numeric_dtype, функция от pandas - лучшая альтернатива, чем np.issubdtype.

df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.0, 2.0, 3.0], 
                   'C': [1j, 2j, 3j], 'D': ['a', 'b', 'c']})
df
Out: 
   A    B   C  D
0  1  1.0  1j  a
1  2  2.0  2j  b
2  3  3.0  3j  c

df.dtypes
Out: 
A         int64
B       float64
C    complex128
D        object
dtype: object

np.issubdtype(df['A'].dtype, np.number)
Out: True

np.issubdtype(df['B'].dtype, np.number)
Out: True

np.issubdtype(df['C'].dtype, np.number)
Out: True

np.issubdtype(df['D'].dtype, np.number)
Out: False

Для нескольких столбцов вы можете использовать np.vectorize:

is_number = np.vectorize(lambda x: np.issubdtype(x, np.number))
is_number(df.dtypes)
Out: array([ True,  True,  True, False], dtype=bool)

А для выбора у панд теперь есть select_dtypes:

df.select_dtypes(include=[np.number])
Out: 
   A    B   C
0  1  1.0  1j
1  2  2.0  2j
2  3  3.0  3j

Ответ 2

В pandas 0.20.2 вы можете сделать:

import pandas as pd
from pandas.api.types import is_string_dtype
from pandas.api.types import is_numeric_dtype

df = pd.DataFrame({'A': ['a', 'b', 'c'], 'B': [1.0, 2.0, 3.0]})

is_string_dtype(df['A'])
>>>> True

is_numeric_dtype(df['B'])
>>>> True

Ответ 3

Основываясь на ответе @jaime в комментариях, вам нужно проверить .dtype.kind для интересующего столбца. Например:

>>> import pandas as pd
>>> df = pd.DataFrame({'numeric': [1, 2, 3], 'not_numeric': ['A', 'B', 'C']})
>>> df['numeric'].dtype.kind in 'bifc'
>>> True
>>> df['not_numeric'].dtype.kind in 'bifc'
>>> False

NB bifc - b bool, i int, f float, c complex - Я не уверен, что может быть u.

Ответ 4

Как просто проверить тип для одного из значений в столбце? У нас всегда было что-то вроде этого:

isinstance(x, (int, long, float, complex))

Когда я пытаюсь проверить типы данных для столбцов ниже фрейма данных, я получаю их как "объект", а не числовой тип, который я ожидаю:

df = pd.DataFrame(columns=('time', 'test1', 'test2'))
for i in range(20):
    df.loc[i] = [datetime.now() - timedelta(hours=i*1000),i*10,i*100]
df.dtypes

time     datetime64[ns]
test1            object
test2            object
dtype: object

Когда я делаю следующее, это дает мне точный результат:

isinstance(df['test1'][len(df['test1'])-1], (int, long, float, complex))

возвращает

True

Ответ 5

Это псевдо-внутренний метод для возврата только данных числового типа

In [27]: df = DataFrame(dict(A = np.arange(3), 
                             B = np.random.randn(3), 
                             C = ['foo','bar','bah'], 
                             D = Timestamp('20130101')))

In [28]: df
Out[28]: 
   A         B    C                   D
0  0 -0.667672  foo 2013-01-01 00:00:00
1  1  0.811300  bar 2013-01-01 00:00:00
2  2  2.020402  bah 2013-01-01 00:00:00

In [29]: df.dtypes
Out[29]: 
A             int64
B           float64
C            object
D    datetime64[ns]
dtype: object

In [30]: df._get_numeric_data()
Out[30]: 
   A         B
0  0 -0.667672
1  1  0.811300
2  2  2.020402

Ответ 6

Просто чтобы добавить ко всем другим ответам, можно также использовать df.info(), чтобы получить тип данных каждого столбца.

Ответ 7

Вы также можете попробовать:

df_dtypes = np.array(df.dtypes)
df_numericDtypes= [x.kind in 'bifc' for x in df_dtypes]

Он возвращает список логических: True, если числовое, False, если нет.

Ответ 8

Панды имеют функцию select_dtype. Вы можете легко фильтровать свои столбцы в int64 и float64 следующим образом:

df.select_dtypes(include=['int64','float64'])