这里有一个通过列表理解的解决方案。Cols是要获取索引的列的列表:

[df.columns.get_loc(c) for c in cols if c in df]

这里有一个通过列表理解的解决方案。Cols是要获取索引的列的列表:

[df.columns.get_loc(c) for c in cols if c in df]

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)

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]

更新:" 0.25.0版后已移除:使用np.asarray(..)或DataFrame.values()代替。

如果你想从列位置获取列名(与OP问题相反)，你可以使用:

>>> df.columns.values()[location]

使用@DSM示例:

>>> df = DataFrame({"pear": [1,2,3], "apple": [2,3,4], "orange": [3,4,5]})

>>> df.columns

Index(['apple', 'orange', 'pear'], dtype='object')

>>> df.columns.values()[1]

'orange'

其他方式:

df.iloc[:,1].name

df.columns[location] #(thanks to @roobie-nuby for pointing that out in comments.) 

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])