DataFrame.info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) [source]

打印DataFrame的簡要摘要。

此方法顯示有關DataFrame的信息，包括索引dtype和列dtype，非空值和內存使用情況。

參數：verbose ： bool，可選

是否打印完整的摘要。默認情況下，

pandas.options.display.max_info_columns

遵循中的設置 。

buf ： 可寫緩沖區，默認為sys.stdout

將輸出發送到哪里。默認情況下，

輸出將打印到sys.stdout。如果需要進一步處理輸出，

請傳遞可寫緩沖區。

max_cols ： int，可選

何時從詳細輸出切換到截斷輸出。

如果DataFrame的列數超過max_cols列，

則使用截斷的輸出。默認情況下，

使用中的設置 pandas.options.display.max_info_columns。

memory_usage ： bool，str，可選

指定是否應顯示DataFrame元素（包括索引）

的總內存使用情況。默認情況下，

這遵循pandas.options.display.memory_usage設置。

True始終顯示內存使用情況。

False永遠不會顯示內存使用情況。

‘deep’ 的值等效于“真正的內省”。

內存使用情況以可讀單位（以2為基數的表示形式）

顯示。無需深入自省，

就可以根據列dtype和行數進行內存估計，

假設值為相應的dtype消耗相同的內存量。

使用深度內存自省，

將以計算資源為代價執行實際內存使用量計算。

null_counts ： 布爾值，可選

是否顯示非空計數。默認情況下，

僅當框架小于 pandas.options.display.max_info_rows

和時顯示 pandas.options.display.max_info_columns。

值為True始終顯示計數，而值為False則不顯示計數。

返回值：None

此方法打印DataFrame的摘要并返回None。

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)

RangeIndex: 5 entries, 0 to 4

Data columns (total 3 columns):

int_col 5 non-null int64

text_col 5 non-null object

float_col 5 non-null float64

dtypes: float64(1), int64(1), object(1)

memory usage: 248.0+ bytes

顯示列數及其dtype的摘要，但不顯示每列的信息：>>> df.info(verbose=False)

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

將DataFrame.info的輸出通過管道傳遞到緩沖區而不是sys.stdout，獲取緩沖區內容并寫入文本文件：>>> import io

>>> buffer = io.StringIO()

>>> df.info(buf=buffer)

>>> s = buffer.getvalue()

>>> with open("df_info.txt", "w",

... encoding="utf-8") as f: # doctest: +SKIP

... f.write(s)

260

該memory_usage參數允許深刻反省模式，為大DataFrames和微調內存優化特別有用：>>> 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()

RangeIndex: 1000000 entries, 0 to 999999

Data columns (total 3 columns):

column_1 1000000 non-null object

column_2 1000000 non-null object

column_3 1000000 non-null object

dtypes: object(3)

memory usage: 22.9+ MB>>> df.info(memory_usage='deep')

RangeIndex: 1000000 entries, 0 to 999999

Data columns (total 3 columns):

column_1 1000000 non-null object

column_2 1000000 non-null object

column_3 1000000 non-null object

dtypes: object(3)

memory usage: 188.8 MB