假设您的数据集名称为df，df具有。

df = ['$a', '$b', '$c', '$d', '$e']`

所以，要重命名这些，我们只需这样做。

df.columns = ['a','b','c','d','e']

我的单线回答是

df.columns=df_new_cols

它是最好的，处理时间为1/3。

timeit比较：

df有七列。我正在尝试更改一些名称。

%timeit df.rename(columns={old_col:new_col for (old_col,new_col) in zip(df_old_cols,df_new_cols)},inplace=True)
214 µs ± 10.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.rename(columns=dict(zip(df_old_cols,df_new_cols)),inplace=True)
212 µs ± 7.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.columns = df_new_cols
72.9 µs ± 17.2 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我需要重命名XGBoost的功能，但它不喜欢这些功能：

import re
regex = r"[!\"#$%&'()*+,\-.\/:;<=>?@[\\\]^_`{|}~ ]+"
X_trn.columns = X_trn.columns.str.replace(regex, '_', regex=True)
X_tst.columns = X_tst.columns.str.replace(regex, '_', regex=True)

假设您可以使用正则表达式，则此解决方案无需使用正则表达式进行手动编码：

import pandas as pd
import re

srch = re.compile(r"\w+")

data = pd.read_csv("CSV_FILE.csv")
cols = data.columns
new_cols = list(map(lambda v:v.group(), (list(map(srch.search, cols)))))
data.columns = new_cols

我的方法是通用的，您可以通过逗号分隔分隔符=variable来添加额外的分隔符，并对其进行未来验证。

工作代码：

import pandas as pd
import re


df = pd.DataFrame({'$a':[1,2], '$b': [3,4],'$c':[5,6], '$d': [7,8], '$e': [9,10]})

delimiters = '$'
matchPattern = '|'.join(map(re.escape, delimiters))
df.columns = [re.split(matchPattern, i)[1] for i in df.columns ]

输出：

>>> df
   $a  $b  $c  $d  $e
0   1   3   5   7   9
1   2   4   6   8  10

>>> df
   a  b  c  d   e
0  1  3  5  7   9
1  2  4  6  8  10

让我们通过一个小例子来理解重命名。。。

使用映射重命名列：df=pd.DataFrame（｛“A”：[1，2，3]，“B”：[4，5，6]｝）#创建列名为A和B的dfdf.reame（｛“A”：“new_A”，“B”：“new_B”｝，axis='columns'，inplace=True）#用'new_A'重命名列A，用'new_B'重命名列B输出：新a新b0 1 41 2 52 3 6使用映射重命名索引/Row_Name：df.reame（｛0:“x”，1:“y”，2:“z”｝，axis='index'，inplace=True）#行名称被'x'、'y'和'z'替换。输出：新a新bx 142015年z 3 6