ottenere l'elenco delle colonne dei frame di dati Panda in base al tipo di dati

Se ho un frame di dati con le seguenti colonne:

1. NAME                                     object
2. On_Time                                      object
3. On_Budget                                    object
4. %actual_hr                                  float64
5. Baseline Start Date                  datetime64[ns]
6. Forecast Start Date                  datetime64[ns] 

Vorrei poter dire: ecco un dataframe, dammi un elenco delle colonne che sono di tipo Object o di tipo DateTime?

Ho una funzione che converte i numeri (Float64) in due cifre decimali e vorrei utilizzare questo elenco di colonne di frame di dati, di un tipo particolare, ed eseguirlo attraverso questa funzione per convertirli tutti in 2dp.

Può essere:

For c in col_list: if c.dtype = "Something"
list[]
List.append(c)?

Se desideri un elenco di colonne di un determinato tipo, puoi utilizzare groupby:

>>> df = pd.DataFrame([[1, 2.3456, 'c', 'd', 78]], columns=list("ABCDE"))
>>> df
   A       B  C  D   E
0  1  2.3456  c  d  78

[1 rows x 5 columns]
>>> df.dtypes
A      int64
B    float64
C     object
D     object
E      int64
dtype: object
>>> g = df.columns.to_series().groupby(df.dtypes).groups
>>> g
{dtype('int64'): ['A', 'E'], dtype('float64'): ['B'], dtype('O'): ['C', 'D']}
>>> {k.name: v for k, v in g.items()}
{'object': ['C', 'D'], 'int64': ['A', 'E'], 'float64': ['B']}

A partire da Panda v0.14.1, è possibile utilizzare select_dtypes()per selezionare le colonne per tipo

In [2]: df = pd.DataFrame({'NAME': list('abcdef'),
    'On_Time': [True, False] * 3,
    'On_Budget': [False, True] * 3})

In [3]: df.select_dtypes(include=['bool'])
Out[3]:
  On_Budget On_Time
0     False    True
1      True   False
2     False    True
3      True   False
4     False    True
5      True   False

In [4]: mylist = list(df.select_dtypes(include=['bool']).columns)

In [5]: mylist
Out[5]: ['On_Budget', 'On_Time']

L'utilizzo dtypefornirà il tipo di dati desiderato per la colonna:

dataframe['column1'].dtype

se vuoi conoscere contemporaneamente i tipi di dati di tutta la colonna , puoi usare il plurale di dtypecome dtypes :

dataframe.dtypes

È possibile utilizzare la maschera booleana sull'attributo dtypes:

In [11]: df = pd.DataFrame([[1, 2.3456, 'c']])

In [12]: df.dtypes
Out[12]: 
0      int64
1    float64
2     object
dtype: object

In [13]: msk = df.dtypes == np.float64  # or object, etc.

In [14]: msk
Out[14]: 
0    False
1     True
2    False
dtype: bool

Puoi guardare solo quelle colonne con il tipo desiderato:

In [15]: df.loc[:, msk]
Out[15]: 
        1
0  2.3456

Ora puoi usare round (o qualsiasi altra cosa) e assegnarlo di nuovo:

In [16]: np.round(df.loc[:, msk], 2)
Out[16]: 
      1
0  2.35

In [17]: df.loc[:, msk] = np.round(df.loc[:, msk], 2)

In [18]: df
Out[18]: 
   0     1  2
0  1  2.35  c

list(df.select_dtypes(['object']).columns)

Questo dovrebbe fare il trucco

usa df.info(verbose=True)where dfis a panda datafarme, per impostazione predefinitaverbose=False

Il modo più diretto per ottenere un elenco di colonne di un determinato tipo, ad esempio "oggetto":

df.select_dtypes(include='object').columns

Per esempio:

>>df = pd.DataFrame([[1, 2.3456, 'c', 'd', 78]], columns=list("ABCDE"))
>>df.dtypes

A      int64
B    float64
C     object
D     object
E      int64
dtype: object

Per ottenere tutte le colonne di tipo "oggetto":

>>df.select_dtypes(include='object').columns

Index(['C', 'D'], dtype='object')

Solo per l'elenco:

>>list(df.select_dtypes(include='object').columns)

['C', 'D']   

Se si desidera un elenco delle sole colonne degli oggetti, è possibile:

non_numerics = [x for x in df.columns \
                if not (df[x].dtype == np.float64 \
                        or df[x].dtype == np.int64)]

e quindi se vuoi ottenere un altro elenco di soli numeri:

numerics = [x for x in df.columns if x not in non_numerics]

Ho pensato a questa tre fodera .

In sostanza, ecco cosa fa:

1. Recupera i nomi delle colonne e i rispettivi tipi di dati.
2. Opzionalmente lo sto inviando a un CSV.

inp = pd.read_csv('filename.csv') # read input. Add read_csv arguments as needed
columns = pd.DataFrame({'column_names': inp.columns, 'datatypes': inp.dtypes})
columns.to_csv(inp+'columns_list.csv', encoding='utf-8') # encoding is optional

Ciò ha reso la mia vita molto più semplice nel tentativo di generare schemi al volo. Spero che questo ti aiuti

per yoshiserry;

def col_types(x,pd):
    dtypes=x.dtypes
    dtypes_col=dtypes.index
    dtypes_type=dtypes.value
    column_types=dict(zip(dtypes_col,dtypes_type))
    return column_types

Uso infer_objects ()

Docstring: Tentativo di dedurre migliori tipi di colonne di oggetti.

Tenta la conversione graduale di colonne a forma di oggetto, lasciando invariate le colonne non oggetto e non convertibili. Le regole di inferenza sono le stesse della normale costruzione Series / DataFrame.

df.infer_objects().dtypes