如何正确重命名Pandas DataFrame的列名

如何正确重命名Pandas DataFrame的列名

当尝试通过直接赋值 df.columns = [...] 修改列名时遇到“can't set attribute 'columns'”错误，通常是因为DataFrame的columns属性为只读（如使用某些底层视图或特定构造方式），此时应改用.rename()方法并设置inplace=True，或确保columns可写（如复制原始DataFrame）。

直接给DataFrame的df.columns属性赋一个新列表来修改列名，这招儿在大多数时候确实管用。但如果你遇到了“AttributeError: can‘t set attribute ’columns‘”这个拦路虎，那事情就没那么简单了。这通常意味着你手头的这个DataFrame，其columns属性被设置成了只读状态。这种情况常发生在DataFrame是一个不可变的视图（view），或者它来源于某些特殊的数据源，比如从数据库查询、Dask DataFrame转换而来，亦或是在某些操作（如调用了.values）之后不小心触发了保护机制。

✅ 首选解决方案：使用 .rename(columns=..., inplace=True)

当直接赋值碰壁时，最稳妥、兼容性最强的办法就是调用.rename()方法。这不仅是Pandas官方推荐的方式，其语义也足够清晰，能绕过底层的只读限制。

import pandas as pd

# 示例数据（100列可同理处理）
data = pd.DataFrame({f"col_{i}": range(5) for i in range(100)})

# 构建新列名列表（例如按规则生成）
new_columns = [f"ide_ads", "ide_any", "ide_sfdsdf"] + [f"col_{i}_renamed" for i in range(3, 100)]

# 方式1：尝试直接赋值（如果报错，则说明columns不可写）
# data.columns = new_columns  # ❌ 若此处报错，则跳至方式2

# 方式2：使用 rename() —— 兼容性最强，始终有效
column_mapping = {old: new for old, new in zip(data.columns, new_columns)}
data.rename(columns=column_mapping, inplace=True)

⚠️ 操作时需要注意的细节

• 原地修改 vs 创建副本：设置inplace=True会直接修改原DataFrame。如果想保留原始数据，可以省略这个参数，并将结果赋值给一个新变量，例如 data_renamed = data.rename(columns=...)。
• 长度必须一致：无论是直接赋值还是rename，新提供的列名列表长度必须与原列数严格一致，否则会引发ValueError。
• 警惕重复列名：rename()方法对重复列名依然有效，但直接赋值后产生的重复列名，可能会让后续的.groupby()等操作“罢工”。
• 检查数据来源：如果DataFrame来自pd.read_sql()、dask.dataframe.to_pandas()或浅拷贝（.copy(deep=False)），建议先执行data = data.copy()创建一个独立的副本，再尝试修改列名，这能有效解除可能的只读约束。

? 进阶技巧：按规则批量重命名

手动编写100个新列名？大可不必。利用Python的列表推导式或Pandas的字符串方法，可以轻松实现批量、规则化的重命名。

# 方法一：使用列表推导式（灵活通用）
# 例如，统一转换为小写并用下划线替换空格
data.columns = [col.strip().lower().replace(' ', '_') for col in data.columns]

# 方法二：使用Pandas的str方法（更简洁，适合列名为字符串时）
data.columns = data.columns.str.strip().str.lower().str.replace(r'\s+', '_', regex=True)

总而言之，当遭遇“can‘t set attribute ’columns‘”错误时，别再跟直接赋值较劲了。优先转向.rename(columns=..., inplace=True)这个方法。它不依赖于底层属性是否可写，意图明确，是处理列名修改任务的“万金油”。