select_dtypes只识别pandas定义的dtype字符串或numpy类型对象，不接受Python内置类型如int或模糊字符串'int'；正确写法是include=['int64','int32']或include='number'。
select_dtypes只认pandas内置的dtype，不是Python类型名
很多人写 select_dtypes(include=int) 或 select_dtypes(include='int') 发现没效果，是因为 select_dtypes 不接受 Python 内置类型（如 int、str）或模糊字符串（如 'int'），它只识别 pandas 明确定义的 dtype 字符串或 numpy 类型对象。
- 正确写法是
select_dtypes(include=['int64', 'int32'])或select_dtypes(include='number') -
'number'是便捷别名，覆盖所有数值型（int64、float64、uint8等） -
'object'对应字符串列（但也会包含 list、dict 等混合类型，需谨慎） - 用
np.number、np.object_也可以，但需先import numpy as np
想选“看起来像数字”的列？不能只靠select_dtypes
select_dtypes 看的是底层 dtype，不是数据内容。比如一列全是 '1'、'2' 字符串，dtype 是 object，select_dtypes(include='number') 就完全抓不到它——它根本不是数值类型。
- 先用
df.dtypes确认真实 dtype，别凭肉眼判断 - 若需按语义筛选（如“能转成数字的列”），得配合
pd.to_numeric(..., errors='coerce')+notna()检查 - 对疑似数值的
object列，可逐列尝试转换并统计非空比例，再决定是否保留
exclude参数容易误用：它不是“排除某几列”，而是“排除某类dtype”
写 select_dtypes(exclude=['category']) 的意思是“去掉所有 category 类型的列”，不是“去掉列名叫 'category' 的那列”。如果误以为它是按列名过滤，就会漏掉目标列或删错列。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
include和exclude是互斥逻辑，不建议同时用（行为可能反直觉） - 想排除特定列名，用
df.drop(columns=['col_a', 'col_b'])更直接 -
select_dtypes(include='number').select_dtypes(exclude=['float64'])这种链式调用虽可行，但可读性差，不如一步写全：select_dtypes(include=['int64', 'int32', 'uint8'])
性能敏感时注意：select_dtypes本身很快，但后续操作可能拖慢
select_dtypes 底层是 dtype 映射查找，几乎无计算开销。真正影响性能的是你接下来对返回子集做的操作——尤其是对大量 object 列做字符串方法（如 .str.contains()）或反复 apply。
- 如果只要列名，用
df.select_dtypes(...).columns.tolist()，别留着整个 DataFrame - 对筛选出的数值列做聚合（如
.sum()），比在全量 DataFrame 上用numeric_only=True更快且更可控 - 注意：
select_dtypes(include='number')会包含datetime64（pandas 把它归为 numeric），如不需要，显式排除：exclude=['datetime64', 'timedelta64']
实际 dtype 判断比表面看到的更微妙，比如 Int64（nullable int）和 int64 是不同的 dtype，select_dtypes(include='integer') 才能同时覆盖二者——这种细节不看 df.dtypes 输出，很容易踩空。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
