你只需要把你的集合转换成一个列表

import pandas as pd
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))
my_cols = set(df.columns)
my_cols.remove('B')
my_cols.remove('D')
my_cols = list(my_cols)
df2 = df[my_cols]

你不需要把它转换成一个集合:

cols = [col for col in df.columns if col not in ['B', 'D']]
df2 = df[cols]

下面是如何创建一个不包含列列表的DataFrame副本:

df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))
df2 = df.drop(['B', 'D'], axis=1)

但是要小心!你在你的问题中提到了视图，这表明如果你改变了df，你会希望df2也改变。(就像数据库中的视图一样。)

这个方法不能实现:

>>> df.loc[0, 'A'] = 999 # Change the first value in df
>>> df.head(1)
     A         B         C         D
0  999 -0.742688 -1.980673 -0.920133
>>> df2.head(1) # df2 is unchanged. It's not a view, it's a copy!
          A         C
0  0.251262 -1.980673

还要注意，@piggybox的方法也是如此。(尽管这个方法很漂亮，很圆滑，而且很Pythonic。我不会这么做的!!)

有关视图与副本的更多信息，请参阅这个SO答案和这个答案所指向的Pandas文档的这一部分。

还可以看看内置的DataFrame。过滤功能。

极简但贪婪的方法(对给定的df足够):

df.filter(regex="[^BD]")

保守/惰性方法(仅限精确匹配):

df.filter(regex="^(?!(B|D)$).*$")

保守的，一般的:

exclude_cols = ['B','C']
df.filter(regex="^(?!({0})$).*$".format('|'.join(exclude_cols)))

您可以删除不需要的列或选择需要的列

# Using DataFrame.drop
df.drop(df.columns[[1, 2]], axis=1, inplace=True)

# drop by Name
df1 = df1.drop(['B', 'C'], axis=1)

# Select the ones you want
df1 = df[['a','d']]

有一种新的索引方法叫做差。它返回原始列，作为参数传递的列被删除。

这里，结果用于从df中删除列B和D:

df2 = df[df.columns.difference(['B', 'D'])]

注意，这是一个基于集合的方法，因此重复的列名会导致问题，而且列的顺序可能会改变。

与drop相比的优点:当您只需要列列表时，您不需要创建整个数据框架的副本。例如，为了在列的子集上删除重复项:

# may create a copy of the dataframe
subset = df.drop(['B', 'D'], axis=1).columns

# does not create a copy the dataframe
subset = df.columns.difference(['B', 'D'])

df = df.drop_duplicates(subset=subset)

类似地，在读取文件时，可能希望提前排除列，而不是浪费地将不需要的数据读入内存，然后丢弃它们。

从pandas 0.20.0开始，usecols现在接受callables.1此更新为读取列提供了更灵活的选项:

skipcols = [...]
read_csv(..., usecols=lambda x: x not in skipcols)

后一种模式本质上与传统的usecols方法相反——只跳过指定的列。

鉴于

文件中的数据

import numpy as np
import pandas as pd


df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

filename = "foo.csv"
df.to_csv(filename)

Code

skipcols = ["B", "D"]
df1 = pd.read_csv(filename, usecols=lambda x: x not in skipcols, index_col=0)
df1

输出

          A         C
0  0.062350  0.076924
1 -0.016872  1.091446
2  0.213050  1.646109
3 -1.196928  1.153497
4 -0.628839 -0.856529
...

细节

数据帧被写入文件。然后它被作为一个单独的DataFrame读回来，现在跳过了不需要的列(B和D)。

注意，对于OP的情况，因为已经创建了数据，所以更好的方法是接受答案，即从现有对象中删除不需要的列。但是，这里介绍的技术在直接将数据从文件读入DataFrame时最有用。

有人要求在本期中增加“skipcols”备选项，并在以后的一期中予以解决。

你有四列A B C D

这里有一个更好的方法来选择你需要为新的数据框架的列:-

df2 = df1[['A','D']]

如果您希望使用列号，请使用:-

df2 = df1[[0,3]]

另一个选项，不需要在循环中删除或过滤:

import numpy as np
import pandas as pd

# Create a dataframe with columns A,B,C and D
df = pd.DataFrame(np.random.randn(100, 4), columns=list('ABCD'))

# include the columns you want
df[df.columns[df.columns.isin(['A', 'B'])]]

# or more simply include columns:
df[['A', 'B']]

# exclude columns you don't want
df[df.columns[~df.columns.isin(['C','D'])]]

# or even simpler since 0.24
# with the caveat that it reorders columns alphabetically 
df[df.columns.difference(['C', 'D'])]