根据已接受的答案，如果还需要与每列对应的索引:

for i, column in enumerate(df):
    print i, df[column]

上面的df[column]类型是Series，它可以简单地转换为numpy ndarray:

for i, column in enumerate(df):
    print i, np.asarray(df[column])

for column in df:
    print(df[column])

这个答案是遍历选定的列以及DF中的所有列。

df。columns提供了一个包含DF中所有列的名称的列表。如果你想遍历所有列，这就没什么用了。但是当您只想迭代所选择的列时，它就会派上用场。

我们可以很容易地使用Python的列表切片来切片df。根据我们的需要列。例如，要遍历除第一列外的所有列，我们可以这样做:

for column in df.columns[1:]:
    print(df[column])

类似地，以倒序遍历所有列，我们可以这样做:

for column in df.columns[::-1]:
    print(df[column])

使用这种技术，我们可以以许多很酷的方式遍历所有列。还要记住，你可以很容易地获得所有列的索引:

for ind, column in enumerate(df.columns):
    print(ind, column)

大多数答案都是通过列名，而不是直接迭代列。如果有多个具有相同名称的列，也会出现问题。如果你想迭代列，我建议:

for series in (df.iloc[:,i] for i in range(df.shape[1])):
   ...

使用列表理解，你可以得到所有的列名(标题):

[用于df中的列]

你可以使用ix根据数据帧列的位置建立索引。

df1.ix[:,1]

例如，这将返回第一列。(0是索引)

df1.ix[0,]

这将返回第一行。

df1.ix[:,1]

这将是第0行和第1列的交点:

df1.ix[0,1]

等等。因此，您可以enumerate() returns.keys():并使用该数字来索引数据帧。