pandas.DataFrame.info#

DataFrame.info(verbose=None, buf=None, max_cols=None, memory_usage=None, show_counts=None)[源代码][源代码]#

打印一个 DataFrame 的简要摘要。

此方法打印有关 DataFrame 的信息，包括索引数据类型和列、非空值以及内存使用情况。

参数:

详细bool, 可选

是否打印完整摘要。默认情况下，遵循 pandas.options.display.max_info_columns 中的设置。

buf可写缓冲区，默认为 sys.stdout

输出发送到哪里。默认情况下，输出会打印到 sys.stdout。如果你需要进一步处理输出，请传递一个可写的缓冲区。

max_colsint, 可选

何时从详细输出切换到截断输出。如果 DataFrame 的列数超过 max_cols 列，则使用截断输出。默认情况下，使用 pandas.options.display.max_info_columns 中的设置。

memory_usagebool, str, 可选

指定是否显示 DataFrame 元素（包括索引）的总内存使用情况。默认情况下，这遵循 pandas.options.display.memory_usage 设置。

True 总是显示内存使用情况。False 从不显示内存使用情况。’deep’ 的值相当于 “True 并进行深度内省”。内存使用情况以人类可读的单位（以2为底）显示。没有深度内省的情况下，会根据列的数据类型和行数假设值消耗相同的数据类型内存量来进行内存估计。使用深度内存内省时，会以计算资源为代价进行实际的内存使用计算。更多详情请参见常见问题。

show_countsbool, 可选

是否显示非空计数。默认情况下，只有在 DataFrame 小于 pandas.options.display.max_info_rows 和 pandas.options.display.max_info_columns 时才会显示。值为 True 时总是显示计数，值为 False 时从不显示计数。

返回:

None: 此方法打印一个DataFrame的摘要并返回None。

参见

DataFrame.describe: 生成 DataFrame 列的描述性统计数据。
DataFrame.memory_usage: DataFrame 列的内存使用情况。

例子

>>> int_values = [1, 2, 3, 4, 5]
>>> text_values = ['alpha', 'beta', 'gamma', 'delta', 'epsilon']
>>> float_values = [0.0, 0.25, 0.5, 0.75, 1.0]
>>> df = pd.DataFrame({"int_col": int_values, "text_col": text_values,
...                   "float_col": float_values})
>>> df
    int_col text_col  float_col
0        1    alpha       0.00
1        2     beta       0.25
2        3    gamma       0.50
3        4    delta       0.75
4        5  epsilon       1.00

打印所有列的信息：

>>> df.info(verbose=True)
<class 'pandas.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 3 columns):
 #   Column     Non-Null Count  Dtype
---  ------     --------------  -----
 0   int_col    5 non-null      int64
 1   text_col   5 non-null      object
 2   float_col  5 non-null      float64
dtypes: float64(1), int64(1), object(1)
memory usage: 248.0+ bytes

打印列数及其数据类型的摘要，但不包括每列的信息：

>>> df.info(verbose=False)
<class 'pandas.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Columns: 3 entries, int_col to float_col
dtypes: float64(1), int64(1), object(1)
memory usage: 248.0+ bytes

将 DataFrame.info 的管道输出到缓冲区而不是 sys.stdout，获取缓冲区内容并写入文本文件：

>>> import io
>>> buffer = io.StringIO()
>>> df.info(buf=buffer)
>>> s = buffer.getvalue()
>>> with open("df_info.txt", "w",
...           encoding="utf-8") as f:  
...     f.write(s)
260

memory_usage 参数允许深度内省模式，特别适用于大型 DataFrame 和精细调整内存优化：

>>> random_strings_array = np.random.choice(['a', 'b', 'c'], 10 ** 6)
>>> df = pd.DataFrame({
...     'column_1': np.random.choice(['a', 'b', 'c'], 10 ** 6),
...     'column_2': np.random.choice(['a', 'b', 'c'], 10 ** 6),
...     'column_3': np.random.choice(['a', 'b', 'c'], 10 ** 6)
... })
>>> df.info()
<class 'pandas.DataFrame'>
RangeIndex: 1000000 entries, 0 to 999999
Data columns (total 3 columns):
 #   Column    Non-Null Count    Dtype
---  ------    --------------    -----
 0   column_1  1000000 non-null  object
 1   column_2  1000000 non-null  object
 2   column_3  1000000 non-null  object
dtypes: object(3)
memory usage: 22.9+ MB

>>> df.info(memory_usage='deep')
<class 'pandas.DataFrame'>
RangeIndex: 1000000 entries, 0 to 999999
Data columns (total 3 columns):
 #   Column    Non-Null Count    Dtype
---  ------    --------------    -----
 0   column_1  1000000 non-null  object
 1   column_2  1000000 non-null  object
 2   column_3  1000000 non-null  object
dtypes: object(3)
memory usage: 165.9 MB