import random
def char_range(c1, c2):                      # question 7001144
    for c in range(ord(c1), ord(c2)+1):
        yield chr(c)      
df = pd.DataFrame()
for c in char_range('a', 'z'):               
    df[f'{c}'] = random.sample(range(10), 3) # Random Data
rearranged = random.sample(range(26), 26)    # Random Order
df = df.iloc[:, rearranged]
print(df.iloc[:,:15])                        # 15 Col View         

for col in df.columns:             # List of indices and columns
    print(str(df.columns.get_loc(col)) + '\t' + col)

![结果](结果

对于返回多列索引，我建议使用pandas。索引方法get_indexer，如果你有唯一的标签:

df = pd.DataFrame({"pear": [1, 2, 3], "apple": [2, 3, 4], "orange": [3, 4, 5]})
df.columns.get_indexer(['pear', 'apple'])
# Out: array([0, 1], dtype=int64)

如果索引中有非唯一的标签(列只支持唯一的标签)它接受与get_indexer相同的参数:

df = pd.DataFrame(
    {"pear": [1, 2, 3], "apple": [2, 3, 4], "orange": [3, 4, 5]}, 
    index=[0, 1, 1])
df.index.get_indexer_for([0, 1])
# Out: array([0, 1, 2], dtype=int64)

这两种方法也都支持使用，f.i.的非精确索引，浮点值取有容差的最近值。如果两个索引到指定标签的距离相同或重复，则选择索引值较大的索引:

df = pd.DataFrame(
    {"pear": [1, 2, 3], "apple": [2, 3, 4], "orange": [3, 4, 5]},
    index=[0, .9, 1.1])
df.index.get_indexer([0, 1])
# array([ 0, -1], dtype=int64)

DSM的解决方案是有效的，但是如果你想要一个直接等价的方法(df。Columns == name).nonzero()

当您希望找到多个列匹配时，可以使用使用searchsorted方法的向量化解决方案。因此，df作为数据帧，query_cols作为要搜索的列名，实现将是-

def column_index(df, query_cols):
    cols = df.columns.values
    sidx = np.argsort(cols)
    return sidx[np.searchsorted(cols,query_cols,sorter=sidx)]

试运行-

In [162]: df
Out[162]: 
   apple  banana  pear  orange  peach
0      8       3     4       4      2
1      4       4     3       0      1
2      1       2     6       8      1

In [163]: column_index(df, ['peach', 'banana', 'apple'])
Out[163]: array([4, 1, 0])

稍微修改一下DSM的答案，get_loc有一些奇怪的属性，这取决于当前版本Pandas(1.1.5)中的索引类型，因此根据您的索引类型，您可能会返回索引、掩码或切片。这对我来说有点令人沮丧，因为我不想仅仅为了提取一个变量的索引而修改整个列。更简单的方法是完全避免这个函数:

list(df.columns).index('pear')

非常简单，而且可能相当快。

这个怎么样:

df = DataFrame({"pear": [1,2,3], "apple": [2,3,4], "orange": [3,4,5]})
out = np.argwhere(df.columns.isin(['apple', 'orange'])).ravel()
print(out)
[1 2]