如何从df中选择列a和b，并将它们保存到新的数据帧df1中？
index a b c
1 2 3 4
2 3 4 5
尝试失败：
df1 = df['a':'b']
df1 = df.ix[:, 'a':'b']
当前回答
从0.21.0开始，在列表中使用.loc或[]（其中包含一个或多个缺失的标签）是不推荐使用.reindex的。因此，问题的答案是：
df1 = df.reindex(columns=['b','c'])
在以前的版本中，只要找到至少一个键，就可以使用.loc〔标签列表〕（否则会引发KeyError）。此行为已弃用，现在显示警告消息。建议使用.reindex（）。
阅读更多关于索引和选择数据的信息。
其他回答
我已经看到了几个答案，但其中一个仍然不清楚。你会如何选择那些感兴趣的专栏？
答案是，如果您将它们收集在列表中，则可以使用列表引用列。
实例
print(extracted_features.shape)
print(extracted_features)
(63,)
['f000004' 'f000005' 'f000006' 'f000014' 'f000039' 'f000040' 'f000043'
'f000047' 'f000048' 'f000049' 'f000050' 'f000051' 'f000052' 'f000053'
'f000054' 'f000055' 'f000056' 'f000057' 'f000058' 'f000059' 'f000060'
'f000061' 'f000062' 'f000063' 'f000064' 'f000065' 'f000066' 'f000067'
'f000068' 'f000069' 'f000070' 'f000071' 'f000072' 'f000073' 'f000074'
'f000075' 'f000076' 'f000077' 'f000078' 'f000079' 'f000080' 'f000081'
'f000082' 'f000083' 'f000084' 'f000085' 'f000086' 'f000087' 'f000088'
'f000089' 'f000090' 'f000091' 'f000092' 'f000093' 'f000094' 'f000095'
'f000096' 'f000097' 'f000098' 'f000099' 'f000100' 'f000101' 'f000103']
我有以下列表/NumPy数组extracted_features，指定了63列。原始数据集有103列，我想提取这些列，然后使用
dataset[extracted_features]
你最终会得到这个
这是你在机器学习中经常用到的东西（更具体地说，在特征选择中）。我也想讨论其他方式，但我认为其他Stack Overflower用户已经涵盖了这一点。
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。
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
您可以提供要删除的列的列表，并使用Pandas DataFrame上的drop（）函数仅返回所需的列。
只是说说而已
colsToDrop = ['a']
df.drop(colsToDrop, axis=1)
将返回仅包含列b和c的DataFrame。
此处记录了drop方法。
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
