python pandas如何重命名列名_pandas dataframe列名重命名指南-Python教程-PHP中文网

重命名Pandas DataFrame列名主要有两种方法：使用df.rename()方法可灵活修改部分列名，支持字典映射或函数处理，适合精准调整；直接赋值df.columns则适用于一次性替换所有列名，需确保列表长度匹配。推荐使用rename()结合函数或列表推导式进行动态批量处理，避免inplace=True带来的副作用，并注意列名大小写敏感及长度一致性问题。

python pandas如何重命名列名_pandas dataframe列名重命名指南

在Pandas里给DataFrame的列名改个名字，说起来是件小事，但方法还真不少，而且各有各的妙用。最常用也最灵活的，无疑是

df.rename()

登录后复制

方法，当然，直接修改

df.columns

登录后复制

属性也行，这主要看你具体想怎么改，是批量替换，还是只动其中几根“筋”。

解决方案

要重命名Pandas DataFrame的列名，我们通常有两种核心策略：使用

df.rename()

登录后复制

方法或者直接对

df.columns

登录后复制

属性进行赋值。我个人觉得，理解这两种方式的适用场景，能让你在数据处理时更得心应手。

使用

df.rename()

登录后复制

方法： 这是我最推荐，也认为最“优雅”的方式，尤其当你只想修改部分列名时。

rename()

登录后复制

方法接受一个字典作为参数，字典的键是旧列名，值是新列名。

import pandas as pd

# 示例DataFrame
data = {'Old_Col_A': [1, 2, 3],
        'Old_Col_B': [4, 5, 6],
        'Another Col': [7, 8, 9]}
df = pd.DataFrame(data)
print("原始DataFrame:\n", df)

# 1. 重命名单个列
# df_renamed = df.rename(columns={'Old_Col_A': 'New_Col_A'})
# print("\n重命名单个列后:\n", df_renamed)

# 2. 重命名多个列
df_renamed_multi = df.rename(columns={
    'Old_Col_A': 'New_Feature_A',
    'Old_Col_B': 'New_Feature_B'
})
print("\n重命名多个列后:\n", df_renamed_multi)

# 3. 使用 inplace=True 直接修改原DataFrame (谨慎使用)
# df.rename(columns={'Another Col': 'Clean_Col_C'}, inplace=True)
# print("\n使用inplace=True修改后:\n", df)

登录后复制

columns

登录后复制

参数是关键，它明确告诉Pandas我们想操作的是列名。如果你想直接修改原始DataFrame而不是返回一个新的，可以加上

inplace=True

登录后复制

。不过，我个人习惯是不使用

inplace=True

登录后复制

，而是将结果赋值给一个新的变量，这样能保持原始数据的完整性，也更符合函数式编程的思路，方便后续追溯和调试。

直接修改
```
df.columns
```
登录后复制
属性： 这种方法适用于你需要一次性替换所有列名的情况。你只需提供一个与DataFrame当前列数相同的新列名列表。
```
import pandas as pd

data = {'Col1': [1, 2], 'Col2': [3, 4], 'Col3': [5, 6]}
df = pd.DataFrame(data)
print("原始DataFrame:\n", df)

# 提供一个与列数相同的新列名列表
df.columns = ['Feature_X', 'Feature_Y', 'Feature_Z']
print("\n直接修改df.columns后:\n", df)
```
登录后复制
这种方式非常直接，但也有其局限性：新列表的长度必须严格等于DataFrame的列数，否则会报错。如果你只想改其中一两列，这种方法就不太合适了，因为你还得把其他没改的列名也重新写一遍。

立即学习“Python免费学习笔记（深入）”；

Pandas重命名列时，如何处理多列或者只修改部分列名？

在实际的数据清洗工作中，我们很少会一次性把所有列名都换掉，更多时候是针对性地调整。这时，

df.rename()

登录后复制

方法的优势就体现出来了。

如果你需要修改多列，但不是全部，只需在

rename()

登录后复制

方法的

columns

登录后复制

参数中传入一个包含所有需要修改的映射字典即可。Pandas会智能地只对字典中存在的列名进行操作，而其他未在字典中出现的列名则保持不变。这简直是“按需定制”的典范。

例如，假设你的DataFrame有

'id'

登录后复制

'product_name'

登录后复制

'price'

登录后复制

'quantity'

登录后复制

'date'

登录后复制

这些列，而你只想把

'product_name'

登录后复制

改成

'item_name'

登录后复制

，把

'date'

登录后复制

改成

'order_date'

登录后复制

。

import pandas as pd

df = pd.DataFrame({
    'id': [1, 2],
    'product_name': ['Apple', 'Banana'],
    'price': [1.0, 0.5],
    'quantity': [10, 20],
    'date': ['2023-01-01', '2023-01-02']
})
print("原始DataFrame:\n", df)

# 只修改部分列名
df_partial_rename = df.rename(columns={
    'product_name': 'item_name',
    'date': 'order_date'
})
print("\n部分列名修改后:\n", df_partial_rename)

登录后复制

你看，

id

登录后复制

、

price

登录后复制

和

quantity

登录后复制

这些列名，因为不在字典里，所以纹丝不动。这种灵活性在处理大型或复杂数据集时尤为宝贵，你不需要担心误触其他不该动的列。

NameGPT名称生成器

免费AI公司名称生成器，AI在线生成企业名称，注册公司名称起名大全。

查看详情

在Pandas中，重命名列名有哪些常见的陷阱或需要注意的地方？

重命名列名看起来简单，但有些细节如果不注意，可能会让你头疼。我在这里总结几个我个人遇到过或观察到的“坑”：

```
inplace=True
```
登录后复制
的副作用与理解： 这是个老生常谈的问题。当你使用
```
inplace=True
```
登录后复制
时，操作会直接在原始DataFrame上进行，不会返回新的DataFrame。这意味着如果你后续的代码还在使用原始DataFrame的变量名，它已经被修改了。这在链式操作中尤其容易出错。
```
df = pd.DataFrame({'A': [1], 'B': [2]})
df_copy = df # df_copy 现在和 df 指向同一个内存地址

df.rename(columns={'A': 'X'}, inplace=True)
print(df_copy) # df_copy 也会跟着变，因为它们是同一个对象！
```
登录后复制
所以，我更倾向于省略
```
inplace=True
```
登录后复制
，然后将结果赋值给一个新的变量，比如
```
df = df.rename(...)
```
登录后复制
，这样可以避免不必要的副作用，也让代码逻辑更清晰。
大小写敏感性： Pandas的列名是严格区分大小写的。如果你尝试重命名一个大小写不匹配的列名，
```
rename()
```
登录后复制
方法会默默地忽略它，不会报错，这可能会让你以为操作成功了，但实际上列名根本没变。
```
df = pd.DataFrame({'MyColumn': [1, 2]})
# 尝试重命名 'mycolumn'，但实际列名是 'MyColumn'
df_fail_rename = df.rename(columns={'mycolumn': 'NewColumn'})
print(df_fail_rename) # 'MyColumn' 还在，'NewColumn' 没出现
```
登录后复制
在处理外部数据源时，列名的大小写问题尤其常见。我通常会在数据加载后，先统一将列名转换为小写或snake_case，避免这类问题。
```
df.columns
```
登录后复制
直接赋值时的长度不匹配： 当你使用
```
df.columns = [...]
```
登录后复制
这种方式时，如果提供的新列名列表的长度与DataFrame的实际列数不一致，Pandas会直接抛出
```
ValueError
```
登录后复制
。
```
df = pd.DataFrame({'Col1': [1], 'Col2': [2]})
# 尝试用一个长度不匹配的列表赋值
# df.columns = ['NewCol1'] # 这会报错：ValueError: Length of values (1) does not match length of index (2)
```
登录后复制
所以，在使用这种方法时，务必确保新列名列表的长度是正确的。我通常会先
```
len(df.columns)
```
登录后复制
确认一下，或者直接复制一份现有列名列表再修改。

如何结合函数或列表推导式，批量或动态地重命名Pandas DataFrame的列名？

有时候，我们不只是想改几个列名，而是想对所有列名进行某种模式化的处理，比如统一转换为小写、去除空格、替换特殊字符，或者添加前缀/后缀。这时，结合函数或列表推导式来动态重命名，就显得非常高效和强大。

使用函数与

df.rename()

登录后复制

：

rename()

登录后复制

方法不仅可以接受字典，还可以接受一个函数作为

mapper

登录后复制

参数（通常与

axis='columns'

登录后复制

一起使用）。这个函数会应用于每个列名，并返回新的列名。

import pandas as pd

df = pd.DataFrame({
    ' Product ID ': [1, 2],
    'Item Name': ['Apple', 'Banana'],
    'Price (USD)': [1.0, 0.5]
})
print("原始DataFrame:\n", df)

# 定义一个清洗列名的函数：转小写，去首尾空格，空格替换为下划线，去除括号
def clean_col_name(col_name):
    return col_name.strip().lower().replace(' ', '_').replace('(usd)', '')

# 将函数应用到所有列名
df_cleaned = df.rename(mapper=clean_col_name, axis='columns')
print("\n使用函数清洗列名后:\n", df_cleaned)

登录后复制

这种方式非常灵活，你可以定义任意复杂的清洗逻辑。在我处理外部数据源，特别是那些列名格式不统一、包含特殊字符的数据时，这个技巧简直是我的救星。

使用列表推导式与
```
df.columns
```
登录后复制
：如果你对Python的列表推导式比较熟悉，可以直接结合
```
df.columns
```
登录后复制
属性，实现类似的批量重命名效果。这种方法更直观，也更“Pythonic”。
```
import pandas as pd

df = pd.DataFrame({
    'Product ID ': [1, 2],
    'Item Name': ['Apple', 'Banana'],
    'Price (USD)': [1.0, 0.5]
})
print("原始DataFrame:\n", df)

# 使用列表推导式清洗列名
new_columns = [
    col.strip().lower().replace(' ', '_').replace('(usd)', '')
    for col in df.columns
]
df.columns = new_columns
print("\n使用列表推导式清洗列名后:\n", df)
```
登录后复制
这两种方法都能实现批量动态重命名，选择哪种主要看你的个人习惯和具体场景。如果逻辑比较复杂，定义一个单独的函数可能更清晰；如果只是简单的字符串操作，列表推导式可能更简洁。不管哪种，核心都是将列名视为字符串列表，然后用Python强大的字符串处理能力去改造它们。这能极大地提升数据预处理的效率和代码的整洁度。