pandas筛选数值列和非数值列
筛选数值类型的列
numeric_columns = df.select_dtypes(include=['number']).columns
df为dataframe类型的数据。
筛选非数值类型的列
non_numeric_columns = df.select_dtypes(exclude=['number']).columns.to_list()
含数值列就用include，不要数值列就用exclude。
Pandas常见筛选数据的五种方法其一逻辑筛选
Pandas的数据操作中，最基本的就是操作的筛选了，但是对新学员来说的这又是一个难点，因为方法比较多，不容易记。聊聊pandas中的一些常用的数据筛选操作。
逻辑筛选数据
切片（[ ]），loc，iloc，这三种都是支持逻辑表达式的，选其中一种比较常用的，逻辑运算符 与或非（& | ~）any，all
展示使用的数据结构
import pandas as pd PATH = '/tmp/MSD0921.xlsx' dataframe = pd.read_excel(PATH,engine='openpyxl', nrows=50)
| SD1 | SD2 | SD3 | SD4 | SD5 | SD6 | SD7 | SD8 | |
|---|---|---|---|---|---|---|---|---|
| 0 | 4 | 7 | 2 | 1 | 2 | 6 | 7 | 6 |
| 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 2 | 1 | 7 | 1 | 1 | 1 | 6 | 6 | 6 |
| 3 | 6 | 6 | 3 | 2 | 2 | 2 | 2 | 2 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 258 | 1 | 5 | 2 | 1 | 1 | 7 | 7 | 6 |
| 259 | 1 | 7 | 7 | 4 | 2 | 1 | 7 | 1 |
| 260 | 1 | 3 | 5 | 4 | 5 | 5 | 5 | 6 |
| 261 | 1 | 3 | 5 | 5 | 5 | 5 | 3 | 2 |
| 262 | 1 | 7 | 7 | 7 | 7 | 7 | 7 | 7 |
1、筛选出某一列大于某一个数的所有数据，例如：SD1>=7
"""筛选出SD1列中大于等于7的数据""" dataframe[dataframe['SD1'] >= 7]
2、筛选出某一列大于或者小于另一列的输有数据，例如：SD1 < SD2
"""筛选出SD1列小于SD2列所有数据""" dataframe.loc[dataframe['SD1'] < dataframe['SD2']]
3、筛选出某些列的值大于或小于某些值的所有数据，例如：SD1 >6并且SD1<3，使用 &
"""筛选出SD1大于6，并且SD2小于3的所有数据""" dataframe.loc[(dataframe['SD1'] > 6) & ( dataframe['SD2'] < 3)]
4、筛选出某些列的值大于或小于某些值的所有数据，例如：SD1 >6或者SD1<3，使用 |
"""筛选出SD1小于6，或者SD2小于3的所有数据，并集""" dataframe.loc[(dataframe['SD1'] > 6) | ( dataframe['SD2'] < 3)]
注意：需要注意的是在进行或（|）、与（&）、非（~）运算时，各个独立逻辑表达式需要用括号括起来
除了上边的与或之外，pandas还提供了 all，any,对逻辑计算后的布尔值在进行判断，所有都为True,all才返回True，反之亦然，any满足其中之一即可。all，any可传参数axis，1为行方向，0为列方向。利用此方法可对整体数据逻辑判断。
5、筛选出某些列的值同时大于或同时小于某值的所有数据，例如SD1>6 SD2>6
"""筛选出SD1, SD2同时大于6的所有数据""" dataframe[(dataframe.loc[:,['SD1', 'SD2']] > 6).all(1)]
逻辑解读： dataframe.loc[:,['SD1', 'SD2']] > 6，这个逻辑计算的是SD1,SD2同时大于6返回的布尔值，逗号前的冒号表示所有行，返回的是False或者True的一个dataframe数据，整体在进行.all(1),操作返回的是SD1,SD2都为True的为True,否者为False所有行数。在使用切片 [ ]，进行取数据。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
