我需要使用不同的函数来处理数字列和字符串列。我现在正在做的事情真是愚蠢：
allc = list((agg.loc[:, (agg.dtypes==np.float64)|(agg.dtypes==np.int)]).columns)
for y in allc:
treat_numeric(agg[y])
allc = list((agg.loc[:, (agg.dtypes!=np.float64)&(agg.dtypes!=np.int)]).columns)
for y in allc:
treat_str(agg[y])
有没有更优雅的方法可以做到这一点？例如
for y in agg.columns:
if(dtype(agg[y]) == 'string'):
treat_str(agg[y])
elif(dtype(agg[y]) != 'string'):
treat_numeric(agg[y])
Answers:
您可以使用以下命令访问列的数据类型dtype：
for y in agg.columns:
if(agg[y].dtype == np.float64 or agg[y].dtype == np.int64):
treat_numeric(agg[y])
else:
treat_str(agg[y])
treat_numeric函数即可。由于他agg.dtypes==np.float64是一个选择，所以我也做了。
number：docs.scipy.org/doc/numpy-1.13.0/reference/arrays.scalars.html通用解决方案是is_numeric_dtype(agg[y])
在pandas 0.20.2你可以这样做：
from pandas.api.types import is_string_dtype
from pandas.api.types import is_numeric_dtype
is_string_dtype(df['A'])
>>>> True
is_numeric_dtype(df['B'])
>>>> True
因此，您的代码变为：
for y in agg.columns:
if (is_string_dtype(agg[y])):
treat_str(agg[y])
elif (is_numeric_dtype(agg[y])):
treat_numeric(agg[y])
pandas.core.common.is_numeric_dtype自Pandas 0.13以来一直存在，并且它做同样的事情，但pandas.api.types.is_numeric_dtype我认为它在0.19中被弃用，我认为
我知道这有点旧，但是使用熊猫19.02，您可以执行以下操作：
df.select_dtypes(include=['float64']).apply(your_function)
df.select_dtypes(exclude=['string','object']).apply(your_other_function)
http://pandas.pydata.org/pandas-docs/version/0.19.2/generated/pandas.DataFrame.select_dtypes.html
include[np.number]为第一行和exclude[object]第二行做一个好答案（还包括int和32位浮点数）。就dtypes而言，字符串是对象。实际上，在对象中包含“字符串”给我一个错误。
'period'正在提高NotImplementedError（熊猫0.24.2）。因此，可能需要一些手工后期处理。
问题标题是一般性的，但问题正文中所述的作者用例是特定的。因此，可以使用任何其他答案。
但是，为了完全回答标题问题，应澄清所有方法似乎在某些情况下可能会失败，并且需要进行一些重新设计。我以降低可靠性的顺序（我认为）对所有这些（以及其他一些）进行了审查：
==（接受的答案）直接比较类型。尽管这是公认的答案，并且投票最多，但我认为完全不应使用此方法。因为实际上，这种方法在python中不建议使用，如这里多次提到的。
但是，如果仍然想使用它-应该知道像一些熊猫专用dtypes的pd.CategoricalDType，pd.PeriodDtype或pd.IntervalDtype。type( )为了正确识别dtype，这里必须使用extra ：
s = pd.Series([pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')])
s
s.dtype == pd.PeriodDtype # Not working
type(s.dtype) == pd.PeriodDtype # working
>>> 0 2002-03-01
>>> 1 2012-02-01
>>> dtype: period[D]
>>> False
>>> True这里的另一个警告是应该精确指出类型：
s = pd.Series([1,2])
s
s.dtype == np.int64 # Working
s.dtype == np.int32 # Not working
>>> 0 1
>>> 1 2
>>> dtype: int64
>>> True
>>> Falseisinstance()方法。到目前为止，尚未在答案中提及此方法。
因此，如果直接比较类型不是一个好主意-为此，请尝试使用内置的python函数，即- isinstance()。
它会在一开始就失败，因为它假定我们有一些对象，但是pd.Series或者pd.DataFrame可能只用作带有预定义dtype但没有对象的空容器：
s = pd.Series([], dtype=bool)
s
>>> Series([], dtype: bool)但是，如果有人以某种方式克服了这个问题，并且想要访问每个对象，例如，在第一行中，并像这样检查其dtype：
df = pd.DataFrame({'int': [12, 2], 'dt': [pd.Timestamp('2013-01-02'), pd.Timestamp('2016-10-20')]},
index = ['A', 'B'])
for col in df.columns:
df[col].dtype, 'is_int64 = %s' % isinstance(df.loc['A', col], np.int64)
>>> (dtype('int64'), 'is_int64 = True')
>>> (dtype('<M8[ns]'), 'is_int64 = False')在单列中混合类型的数据时，这将产生误导：
df2 = pd.DataFrame({'data': [12, pd.Timestamp('2013-01-02')]},
index = ['A', 'B'])
for col in df2.columns:
df2[col].dtype, 'is_int64 = %s' % isinstance(df2.loc['A', col], np.int64)
>>> (dtype('O'), 'is_int64 = False')最后但并非最不重要的一点-此方法无法直接识别Categorydtype。如文档所述：
从分类数据返回单个项目也将返回值，而不是长度为“ 1”的分类。
df['int'] = df['int'].astype('category')
for col in df.columns:
df[col].dtype, 'is_int64 = %s' % isinstance(df.loc['A', col], np.int64)
>>> (CategoricalDtype(categories=[2, 12], ordered=False), 'is_int64 = True')
>>> (dtype('<M8[ns]'), 'is_int64 = False')因此，这种方法几乎也不适用。
df.dtype.kind方法。此方法可能与空方法一起使用，pd.Series或者pd.DataFrames还有其他问题。
首先-无法区分某些dtype：
df = pd.DataFrame({'prd' :[pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')],
'str' :['s1', 's2'],
'cat' :[1, -1]})
df['cat'] = df['cat'].astype('category')
for col in df:
# kind will define all columns as 'Object'
print (df[col].dtype, df[col].dtype.kind)
>>> period[D] O
>>> object O
>>> category O第二，实际上我仍然不清楚，它甚至在某些dtypes返回None。
df.select_dtypes方法。这几乎是我们想要的。此方法在pandas内部设计，因此可以处理前面提到的大多数极端情况-空的DataFrame，与numpy或特定于pandas的dtypes完全不同。与dtype这样的单个dtype一起使用时效果很好.select_dtypes('bool')。它甚至可以用于基于dtype选择列组：
test = pd.DataFrame({'bool' :[False, True], 'int64':[-1,2], 'int32':[-1,2],'float': [-2.5, 3.4],
'compl':np.array([1-1j, 5]),
'dt' :[pd.Timestamp('2013-01-02'), pd.Timestamp('2016-10-20')],
'td' :[pd.Timestamp('2012-03-02')- pd.Timestamp('2016-10-20'),
pd.Timestamp('2010-07-12')- pd.Timestamp('2000-11-10')],
'prd' :[pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')],
'intrv':pd.arrays.IntervalArray([pd.Interval(0, 0.1), pd.Interval(1, 5)]),
'str' :['s1', 's2'],
'cat' :[1, -1],
'obj' :[[1,2,3], [5435,35,-52,14]]
})
test['int32'] = test['int32'].astype(np.int32)
test['cat'] = test['cat'].astype('category')就像文档中所述：
test.select_dtypes('number')
>>> int64 int32 float compl td
>>> 0 -1 -1 -2.5 (1-1j) -1693 days
>>> 1 2 2 3.4 (5+0j) 3531 days在可能会认为这里我们看到的第一个意外结果（过去对我来说是：问题）- TimeDelta被包含在输出中DataFrame。但是，正如相反的回答，应该是这样，但是必须意识到这一点。请注意，bool跳过了dtype，这对于某些人来说也是不希望的，但这是由于bool且number位于numpy dtype的不同“ 子树 ”中。如果是布尔型，我们可以test.select_dtypes(['bool'])在这里使用。
此方法的下一个限制是，对于当前版本的Pandas（0.24.2），此代码：test.select_dtypes('period')将引发NotImplementedError。
另一件事是它无法将字符串与其他对象区分开：
test.select_dtypes('object')
>>> str obj
>>> 0 s1 [1, 2, 3]
>>> 1 s2 [5435, 35, -52, 14]但这首先是- 在文档中已经提到。其次-不是此方法的问题，而是字符串存储在中的方式DataFrame。但是无论如何，这种情况必须进行一些后期处理。
df.api.types.is_XXX_dtype方法。我猜想这是实现dtype识别（函数所在的模块的路径本身说）的最健壮和本机的方式。它几乎可以完美地工作，但是仍然至少有一个警告，并且仍然必须以某种方式区分字符串列。
此外，这可能是主观的，但是与以下方法相比，该方法还具有更多的“人类可理解”的numberdtypes组处理.select_dtypes('number')：
for col in test.columns:
if pd.api.types.is_numeric_dtype(test[col]):
print (test[col].dtype)
>>> bool
>>> int64
>>> int32
>>> float64
>>> complex128否timedelta，bool包括在内。完善。
我的管道此时恰好利用了此功能，以及一些后期处理。
希望我能够论点的主要观点-所有讨论的方法可以使用，但只能pd.DataFrame.select_dtypes()和pd.api.types.is_XXX_dtype必须真正视为适用的。
如果要将数据框列的类型标记为字符串，则可以执行以下操作：
df['A'].dtype.kind一个例子：
In [8]: df = pd.DataFrame([[1,'a',1.2],[2,'b',2.3]])
In [9]: df[0].dtype.kind, df[1].dtype.kind, df[2].dtype.kind
Out[9]: ('i', 'O', 'f')您的代码的答案：
for y in agg.columns:
if(agg[y].dtype.kind == 'f' or agg[y].dtype.kind == 'i'):
treat_numeric(agg[y])
else:
treat_str(agg[y])在例如从文件导入后检查数据类型
def printColumnInfo(df):
template="%-8s %-30s %s"
print(template % ("Type", "Column Name", "Example Value"))
print("-"*53)
for c in df.columns:
print(template % (df[c].dtype, c, df[c].iloc[1]) )说明性输出：
Type Column Name Example Value
-----------------------------------------------------
int64 Age 49
object Attrition No
object BusinessTravel Travel_Frequently
float64 DailyRate 279.0
string不是dtype