pandas.DataFrame.info # 数据框。info ( verbose = None , buf = None , max_cols = None , memory_usage = None , show_counts = None ) [来源] # 打印 DataFrame 的简洁摘要。 此方法打印有关 DataFrame 的信息，包括索引数据类型和列、非空值和内存使用情况。 参数： 详细布尔值，可选是否打印完整的摘要。默认情况下，pandas.options.display.max_info_columns遵循中的设置 。 buf可写缓冲区，默认为 sys.stdout将输出发送到哪里。默认情况下，输出打印到 sys.stdout。如果需要进一步处理输出，请传递可写缓冲区。 max_cols int，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，则使用截断的输出。默认情况下，pandas.options.display.max_info_columns使用中的设置 。 memory_usage bool, str, 可选指定是否应显示 DataFrame 元素（包括索引）的总内存使用量。默认情况下，这遵循pandas.options.display.memory_usage设置。 True 始终显示内存使用情况。 False 从不显示内存使用情况。 “深刻”的值相当于“深刻内省的真实”。内存使用情况以人类可读单位（以 2 为基数表示）显示。如果没有深度自省，则基于列数据类型和行数进行内存估计，假设值消耗相应数据类型相同的内存量。通过深度内存自省，可以以计算资源为代价来执行实际内存使用情况计算。请参阅 常见问题了解更多详细信息。 show_counts布尔值，可选是否显示非空计数。默认情况下，仅当 DataFrame 小于pandas.options.display.max_info_rows和 时才显示 pandas.options.display.max_info_columns。 True 值始终显示计数，False 值从不显示计数。 返回： 没有任何此方法打印 DataFrame 的摘要并返回 None。 也可以看看 DataFrame.describe生成 DataFrame 列的描述性统计数据。 DataFrame.memory_usageDataFrame 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.core.frame.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，但不打印每列信息： >>> df.info(verbose=False) <class 'pandas.core.frame.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 的输出通过管道传输到缓冲区而不是 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参数允许深度自省模式，对于大 DataFrame 和微调内存优化特别有用： >>> 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.core.frame.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.core.frame.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