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。
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()
方法，当然，直接修改
df.columns
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()
方法或者直接对
df.columns
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()
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()
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)columns
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
。不过，我个人习惯是不使用
inplace=True
，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
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)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()
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()
方法的
columns
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'
,
'product_name'
,
'price'
,
'quantity'
,
'date'
这些列，而你只想把
'product_name'
改成
'item_name'
，把
'date'
改成
'order_date'
。
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)
你看，
id
、
price
和
quantity
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。
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
的副作用与理解： 这是个老生常谈的问题。当你使用
inplace=True
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！所以，我更倾向于省略
inplace=True
，然后将结果赋值给一个新的变量，比如
df = df.rename(...)
，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()
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
直接赋值时的长度不匹配： 当你使用
df.columns = [...]
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
。
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)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)
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()
：
rename()
方法不仅可以接受字典，还可以接受一个函数作为
mapper
参数（通常与
axis='columns'
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)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
： 如果你对Python的列表推导式比较熟悉，可以直接结合
df.columns
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)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。