我发现这种方法非常有用：

# iloc[row slicing, column slicing]
surveys_df.iloc [0:3, 1:4]

更多详情请点击此处。

列名（字符串）无法按您尝试的方式进行切片。

这里有两个选项。如果您从上下文中知道要分割哪些变量，只需通过将列表传递到__getitem_语法（[]）中，即可返回这些列的视图。

df1 = df[['a', 'b']]

或者，如果重要的是对它们进行数字索引，而不是按它们的名称进行索引（假设您的代码应该在不知道前两列的名称的情况下自动进行索引），那么您可以改为这样做：

df1 = df.iloc[:, 0:2] # Remember that Python does not slice inclusive of the ending index.

此外，您应该熟悉Pandas对象视图与该对象副本的概念。上述第一个方法将在内存中返回所需子对象（所需切片）的新副本。

然而，有时Pandas中有一些索引约定不这样做，而是给你一个新变量，它只引用与原始对象中的子对象或切片相同的内存块。这将发生在第二种索引方式中，因此您可以使用.copy（）方法对其进行修改以获得常规副本。当发生这种情况时，更改您认为的切片对象有时会更改原始对象。时刻注意这一点总是很好的。

df1 = df.iloc[0, 0:2].copy() # To avoid the case where changing df1 also changes df

要使用iloc，您需要知道列位置（或索引）。由于列位置可能会改变，您可以使用iloc和dataframe对象的columns方法的get_loc函数来获取列索引，而不是硬编码索引。

{df.columns.get_loc(c): c for idx, c in enumerate(df.columns)}

现在，您可以使用此字典通过名称和iloc访问列。

一种不同且简单的方法：迭代行

使用迭代

 df1 = pd.DataFrame() # Creating an empty dataframe
 for index,i in df.iterrows():
    df1.loc[index, 'A'] = df.loc[index, 'A']
    df1.loc[index, 'B'] = df.loc[index, 'B']
    df1.head()

若要排除某些列，可以将它们放在列索引中。例如：

   A   B    C     D
0  1  10  100  1000
1  2  20  200  2000

选择除两个以外的所有选项：

df[df.columns.drop(['B', 'D'])]

输出：

   A    C
0  1  100
1  2  200

也可以使用truncate方法选择中间列：

df.truncate(before='B', after='C', axis=1)

输出：

    B    C
0  10  100
1  20  200

def get_slize(dataframe, start_row, end_row, start_col, end_col):
    assert len(dataframe) > end_row and start_row >= 0
    assert len(dataframe.columns) > end_col and start_col >= 0
    list_of_indexes = list(dataframe.columns)[start_col:end_col]
    ans = dataframe.iloc[start_row:end_row][list_of_indexes]
    return ans

只需使用此功能

前面的答案中讨论的不同方法基于这样的假设：用户知道要删除或子集的列索引，或者用户希望使用一系列列（例如“C”和“E”之间）来子集数据帧。

pandas.DataFrame.drop（）当然是一个基于用户定义的列列表对数据进行子集的选项（尽管您必须谨慎地始终使用数据帧的副本，并且不应将就地参数设置为True！！）

另一个选项是使用pandas.columns.difference（），它对列名进行设置差异，并返回包含所需列的数组的索引类型。以下是解决方案：

df = pd.DataFrame([[2,3,4], [3,4,5]], columns=['a','b','c'], index=[1,2])
columns_for_differencing = ['a']
df1 = df.copy()[df.columns.difference(columns_for_differencing)]
print(df1)

输出将是：

    b   c
1   3   4
2   4   5