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20w+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()

返回结果如图，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.表格的维度：203401行 * 16列，RangeIndex：0-203400

2.表格的列名，是否为空值和列字段类型dtype(后面我会给出pandas的数据类型和Python数据类型的匹配关系图！！！)

3.表格所占空间：24.8M+

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

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

返回结果如图，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

分析过程中，由于字段繁多，所以用到某字段时需要适时查看，同样可以运用dtype，此处不再赘述。

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：

数据类型对应表

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。

如果觉得有用，给我点个赞吧，你的支持就是对我最大的鼓励！ღ( ´･ᴗ･` )❥