本文系转载，在原文基础上做了修改
作者：精灵鼠小弟_fb22
链接：https://www.jianshu.com/p/8a5f0710cad3
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
在获得数据之后、分析数据之前，我们一般需要对数据总体进行一个概览，如有哪些字段，每个字段的类型，值是否缺失等，以下列出了几种方法，供我们方便快捷的查看dataframe的数据类型。
1、维度查看：df.shape
# 以某表为例，先读取源数据，不同城市，每天的产品销售信息
engine = create_engine('mysql+pymysql://username:password@localjost:3306/dataset?charset=utf8')
sql = 'select * from dw_customer_order'
gather_customer_order = pd.read_sql_query(sql,con=engine)
gather_customer_order.shape
返回结果如下如所示，说明此表格一共有203401行，16列：
(203401, 16)
2、数据表基本信息（维度、列名称、数据格式、所占空间等）：df.info()
gather_customer_order.info()
返回结果
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 203401 entries, 0 to 203400
Data columns (total 16 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 create_date 203401 non-null object
1 product_name 203401 non-null object
2 cpzl_zw 203401 non-null object
3 cplb_zw 203401 non-null object
4 order_num 203401 non-null int64
5 customer_num 203401 non-null int64
6 sum_amount 203401 non-null float64
7 is_current_year 203401 non-null object
8 is_last_year 203401 non-null object
9 is_yesterday 203401 non-null object
10 is_today 203401 non-null object
11 is_current_month 203401 non-null object
12 is_current_quarter 203401 non-null object
13 chinese_province 203401 non-null object
14 chinese_city 203401 non-null object
15 chinese_territory 203401 non-null object
dtypes: float64(1), int64(2), object(13)
memory usage: 24.8+ MB
可见，用info方法可以非常全面的看出表格的各项属性，包括：
1.源数据的数据类型为：DataFrame
2.表格的维度：203401行 * 16列，RangeIndex：0-203400
3.表格的列名，是否为空值和列字段类型dtype
4.表格所占空间：24.8M+
3、每一列数据的格式：df.dtypes
这个功能与df.info()类似，如果只想查看每一列存储的是什么数据格式，那么可以直接使用df.dtypes
gather_customer_order.dtypes
返回结果如下，可以看到，这个结果基本就是df.info()的简化版，指明了各列的数据类型。
create_date object
product_name object
cpzl_zw object
cplb_zw object
order_num int64
customer_num int64
sum_amount float64
is_current_year object
is_last_year object
is_yesterday object
is_today object
is_current_month object
is_current_quarter object
chinese_province object
chinese_city object
chinese_territory object
dtype: object
4、某一列格式：df['B'].dtype
5.type(变量名)
通过以上4种方式有时候也无法看到数据类型，比如下图中，通过df.dtypes查每一列的数据类型，字段'create_date'是'object'(这里表示对象的意思)，那么这个对象到底是什么类型不知道，就需要我们进一步查询确定了，这时可以使用type(df['列名'])把维度降下来查其类型。或者直接使用loc[]函数降维度(可以不断使用loc[]函数降维度)，查其数据类型：type(df['列名'].loc[])
比如要想要获取上图中‘create_date’字段中的年月，首先我们得查看该字段的数据类型
type(gather_customer_order['create_date'])
结果如下：
pandas.core.series.Series
可以看出是Series类型，Series类型可以使用loc[]函数来进行切片，再去针对切片查看数据类型
type(gather_customer_order['create_date'].loc[0]) # 查看'create_date'字段的第一个值的类型
结果如下：是datetime类型
datetime.date
由上文可见，float64，int64，object都是pandas专有的数据格式，同理，Python，numpy都有自己的一套数据格式，它们之间的对应关系可参考下面的表格：
image.png
这里需要强调的是object类型实际上可以包括多种不同的类型，比如一列数据里，既有整型、浮点型，也有字符串类型，这些在pandas中都会被标识为‘object’，所以在处理数据时，可能需要额外的一些方法提前将这些字段做清洗，str.replace(),float(),int(),astype()，apply()等等。
