it-swarm.com.de

Wie kann ich feststellen, ob eine Spalte/Variable in Pandas/NumPy numerisch ist oder nicht?

Gibt es eine bessere Möglichkeit festzustellen, ob eine Variable in Pandas und/oder NumPynumeric ist oder nicht? 

Ich habe eine selbst definierte dictionary mit dtypes als Schlüssel und numeric/not als Werte.

42
user2808117

Sie können np.issubdtype verwenden, um zu prüfen, ob der dtype ein untergeordneter Typ von np.number ist. Beispiele:

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

Dies funktioniert für Dypes von Numpy, aber für Pandas spezifische Typen wie pd.Categorical als Thomas notiert . Wenn Sie categoricals is_numeric_dtype verwenden, ist die Funktion von Pandas eine bessere Alternative als 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

Für mehrere Spalten können Sie np.vectorize verwenden:

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

Und zur Auswahl haben Pandas jetzt 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
49
ayhan

In pandas 0.20.2 können Sie Folgendes tun:

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
36
danthelion

Basierend auf der Antwort von @ jaime in den Kommentaren müssen Sie .dtype.kind für die interessierende Spalte überprüfen. Zum Beispiel;

>>> 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 ist b bool, i int, f float, c complex - Ich bin mir nicht sicher, was u sein könnte.

10
danodonovan

Dies ist eine pseudo-interne Methode, um nur die numerischen Typdaten zurückzugeben

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
3
Jeff

Wie wäre es, wenn Sie einfach den Typ für einen der Werte in der Spalte überprüfen? Wir hatten schon immer so etwas:

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

Wenn ich versuche, die Datentypen für die Spalten in Dataframe zu überprüfen, bekomme ich sie als 'Objekt' und nicht als numerischen Typ, den ich erwarte:

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

Wenn ich Folgendes mache, scheint es mir ein genaues Ergebnis zu geben:

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

kehrt zurück

True
2
Punit S

Um alle anderen Antworten hinzuzufügen, können Sie auch df.info() verwenden, um den Datentyp jeder Spalte zu ermitteln. 

1
Beta

Sie können auch versuchen:

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

Es gibt eine Liste von Booleans zurück: True wenn numerisch, False falls nicht.

0
paulwasit