import numpy as np
import pandas as pd
df = pd.DataFrame()
column_names = ['x','y','z','mean']
for col in column_names: 
    df[col] = np.random.randint(0,100, size=10000)

您可以尝试以下解决方案：

解决方案1：

df = df[ ['mean'] + [ col for col in df.columns if col != 'mean' ] ]

解决方案2：

---

df = df[['mean', 'x', 'y', 'z']]

---

解决方案3：

col = df.pop("mean")
df = df.insert(0, col.name, col)

---

解决方案4：

df.set_index(df.columns[-1], inplace=True)
df.reset_index(inplace=True)

---

解决方案5：

cols = list(df)
cols = [cols[-1]] + cols[:-1]
df = df[cols]

---

解决方案6：

order = [1,2,3,0] # setting column's order
df = df[[df.columns[i] for i in order]]

时间比较：

解决方案1：

CPU时间：用户1.05 ms，sys:35µs，总计：1.08 ms壁时间：995µs

解决方案2：

CPU时间：用户933µs，系统：0 ns，总计：933µ壁时间：800µs

解决方案3：

CPU时间：用户0 ns，sys:1.35 ms，总计：1.35 ms壁时间：1.08 ms

解决方案4：

CPU时间：用户1.23毫秒，系统：45µs，总计：1.27毫秒壁时间：986µs

解决方案5：

CPU时间：用户1.09 ms，系统：19µs，总计：1.11 ms壁时间：949µs

解决方案6：

CPU时间：用户955µs，系统：34µs，总计：989µs壁时间：859µs

我自己也遇到了一个类似的问题，只是想补充一下我已经解决的问题。我喜欢用于更改列顺序的reindex_axis（）方法。这是有效的：

df = df.reindex_axis(['mean'] + list(df.columns[:-1]), axis=1)

另一种基于@Jorge评论的方法：

df = df.reindex(columns=['mean'] + list(df.columns[:-1]))

虽然reindex_axis在微基准测试中似乎比reindex稍快，但我认为我更喜欢后者，因为它的直接性。

如果列名太长，无法键入，则可以通过整数列表指定新顺序，其中包含以下位置：

数据：

          0         1         2         3         4      mean
0  0.397312  0.361846  0.719802  0.575223  0.449205  0.500678
1  0.287256  0.522337  0.992154  0.584221  0.042739  0.485741
2  0.884812  0.464172  0.149296  0.167698  0.793634  0.491923
3  0.656891  0.500179  0.046006  0.862769  0.651065  0.543382
4  0.673702  0.223489  0.438760  0.468954  0.308509  0.422683
5  0.764020  0.093050  0.100932  0.572475  0.416471  0.389390
6  0.259181  0.248186  0.626101  0.556980  0.559413  0.449972
7  0.400591  0.075461  0.096072  0.308755  0.157078  0.207592
8  0.639745  0.368987  0.340573  0.997547  0.011892  0.471749
9  0.050582  0.714160  0.168839  0.899230  0.359690  0.438500

通用示例：

new_order = [3,2,1,4,5,0]
print(df[df.columns[new_order]])  

          3         2         1         4      mean         0
0  0.575223  0.719802  0.361846  0.449205  0.500678  0.397312
1  0.584221  0.992154  0.522337  0.042739  0.485741  0.287256
2  0.167698  0.149296  0.464172  0.793634  0.491923  0.884812
3  0.862769  0.046006  0.500179  0.651065  0.543382  0.656891
4  0.468954  0.438760  0.223489  0.308509  0.422683  0.673702
5  0.572475  0.100932  0.093050  0.416471  0.389390  0.764020
6  0.556980  0.626101  0.248186  0.559413  0.449972  0.259181
7  0.308755  0.096072  0.075461  0.157078  0.207592  0.400591
8  0.997547  0.340573  0.368987  0.011892  0.471749  0.639745
9  0.899230  0.168839  0.714160  0.359690  0.438500  0.050582

虽然看起来我只是以不同的顺序显式键入列名，但列“mean”的事实应该清楚地表明，new_order与实际位置相关，而不是列名。

对于OP问题的具体情况：

new_order = [-1,0,1,2,3,4]
df = df[df.columns[new_order]]
print(df)

       mean         0         1         2         3         4
0  0.500678  0.397312  0.361846  0.719802  0.575223  0.449205
1  0.485741  0.287256  0.522337  0.992154  0.584221  0.042739
2  0.491923  0.884812  0.464172  0.149296  0.167698  0.793634
3  0.543382  0.656891  0.500179  0.046006  0.862769  0.651065
4  0.422683  0.673702  0.223489  0.438760  0.468954  0.308509
5  0.389390  0.764020  0.093050  0.100932  0.572475  0.416471
6  0.449972  0.259181  0.248186  0.626101  0.556980  0.559413
7  0.207592  0.400591  0.075461  0.096072  0.308755  0.157078
8  0.471749  0.639745  0.368987  0.340573  0.997547  0.011892
9  0.438500  0.050582  0.714160  0.168839  0.899230  0.359690

这种方法的主要问题是多次调用同一代码将每次产生不同的结果，因此需要小心：）

我想到了和Dmitriy Work一样的答案，显然是最简单的：

df["mean"] = df.mean(1)
l =  list(np.arange(0,len(df.columns) -1 ))
l.insert(0,-1)
df.iloc[:,l]

我认为这是一个略为简洁的解决方案：

df.insert(0, 'mean', df.pop("mean"))

这个解决方案有点类似于@JoeHeffer的解决方案，但这是一条直线。

这里，我们从数据帧中删除列“mean”，并将其附加到具有相同列名的索引0。

熊猫>=1.3（2022年编辑）：

df.insert(0, 'mean', df.pop('mean'))

怎么样（对于熊猫<1.3，原始答案）

df.insert(0, 'mean', df['mean'])

https://pandas.pydata.org/pandas-docs/stable/user_guide/dsintro.html#column-选择添加删除