做数据分析时，需要对特征进行归类–类别型还是数值型，pandas提供了select_dtypes函数,函数原型:
DataFrame.select_dtypes(include=None, exclude=None)
示例:

df = pd.DataFrame({
                    'a': [1, 2] * 3,
                    'b': [True, False] * 3,
                    'c': [1.0, 2.0] * 3,
                    'd': ['1','2']*3
                  })
df.info()

数值型特征: 包括int64,float64

df.select_dtypes(include = ['int64','float64'])

仅int型的:

df.select_dtypes(include = 'int64')

类别型特征(object):

df.select_dtypes(include = 'object')

布尔型特征(bool):

df.select_dtypes(include = 'bool')

除了布尔型以外的所有特征:

df.select_dtypes(exclude = 'bool')

这样得到的结果是DataFrame类型数据，下面将想要的特征名称取出来:

numerical_fea = list(df.select_dtypes(include = 'int64').columns)
numerical_fea

numerical_fea = list(df.select_dtypes(include =['int64','float64']).columns)
numerical_fea

总结:对于特征数目少的数据，函数体现不出来优势，当特征数目达到数以千计时，往往能体现出这个函数的便捷之处。