Pandas df.rename() 函数

Pandas 常用函数

df.rename() 是 Pandas 中用于重命名 DataFrame 的列名或索引的函数。

在数据分析中，清晰的列名和索引对于代码的可读性和维护性非常重要。rename() 允许你灵活地修改列名和索引名称，使数据更加规范和易于理解。这在数据导入、清洗和报告生成时特别有用。

基本语法与参数

rename() 是 DataFrame 的成员函数，通过点运算符 . 来调用。

语法格式

DataFrame.rename(mapper=None, index=None, columns=None, axis=None, inplace=False, errors='ignore')

参数说明

返回值说明

• 返回一个新的 DataFrame（如果 inplace=False），或者 None（如果 inplace=True）。
• 返回的 DataFrame 中列名或索引已被重命名。

实例

让我们通过一系列例子，彻底掌握 rename() 的用法。

示例 1：重命名列名

使用 columns 参数可以方便地重命名列名。

运行结果预期:

原始数据：
   name  age  salary
0  张三   25   5000
1  李四   30   6000
2  王五   35   7000
==================================================
重命名列名后的数据：
    姓名  年龄   薪资
0  张三   25  5000
1  李四   30  6000
2  王五   35  7000

代码解析:

1. 原始数据的列名是英文，我们使用字典将它们重命名为中文。
2. 使用 columns 参数只影响列名，不影响行索引。
3. 这是一种常见的数据规范化操作。

示例 2：重命名行索引

使用 index 参数可以重命名行索引。

运行结果预期:

原始数据（默认索引）：
   水果  数量
0  苹果  10
1  香蕉  20
2  橙子  15
==================================================
重命名行索引后的数据：
     水果  数量
第一行   苹果  10
第二行   香蕉  20
第三行   橙子  15

代码解析:

• 原始数据的行索引是 0、1、2 这样的数字。
• 使用 index 参数可以将它们重命名为更有意义的名称。
• 这在生成报告时特别有用。

示例 3：同时重命名列名和行索引

可以一次性重命名列名和行索引。

实例

import pandas as pd

# 创建一个 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}
df = pd.DataFrame(data, index=['x', 'y', 'z'])

print("原始数据：")
print(df)
print("=" * 50)

# 同时重命名列名和行索引
df_renamed = df.rename(columns={'A': '列A', 'B': '列B'}, index={'x': '行X', 'y': '行Y', 'z': '行Z'})

print("重命名后的数据：")
print(df_renamed)


运行结果预期:

原始数据：
   A  B
x  1  4
y  2  5
z  3  6
==================================================
重命名后的数据：
    列A  列B
行X   1   4
行Y   2   5
行Z   3   6

代码解析:

• 可以同时使用 columns 和 index 参数。
• 这在数据导入和标准化时非常方便。

示例 4：使用函数重命名

rename() 也接受函数作为参数，可以对列名或索引进行批量转换。

实例

import pandas as pd

# 创建一个列名比较复杂的 DataFrame
data = {
    'USER_NAME': ['张三', '李四'],
    'USER_AGE': [25, 30],
    'USER_SALARY': [5000, 6000]
}
df = pd.DataFrame(data)

print("原始数据：")
print(df)
print("=" * 50)

# 使用函数将列名转为小写
df_lower = df.rename(columns=str.lower)

print("列名转小写后：")
print(df_lower)
print("=" * 50)

# 使用函数去除前缀（如 USER_）
df_clean = df.rename(columns=lambda x: x.replace('USER_', ''))

print("去除前缀后：")
print(df_clean)
print("=" * 50)

# 使用函数添加前缀
df_prefix = df.rename(columns=lambda x: 'col_' + x)

print("添加前缀后：")
print(df_prefix)


运行结果预期:

原始数据：
  USER_NAME  USER_AGE  USER_SALARY
0       张三       25       5000
1       李四       30       6000
列名转小写后：
  user_name  user_age  user_salary
0       张三       25       数据清洗
1       李四       30       6000
==================================================
去除前缀后：
  NAME  AGE  SALARY
0  张三   25  5000
1  李四   30  6000

代码解析:

• str.lower 是字符串的转小写方法。
• 使用 lambda 函数可以灵活处理复杂的命名规则。
• 这种方法适合批量处理大量列名。

示例 5：使用 inplace 参数原地修改

使用 inplace=True 可以直接在原 DataFrame 上修改，而不返回新对象。

实例

import pandas as pd

# 创建一个 DataFrame
data = {
    'name': ['张三', '李四'],
    'age': [25, 30]
}
df = pd.DataFrame(data)

print("原始数据：")
print(df)
print(f"原始数据 id: {id(df)}")
print("=" * 50)

# 使用 inplace=True 原地修改
df.rename(columns={'name': '姓名', 'age': '年龄'}, inplace=True)

print("使用 inplace=True 修改后的数据：")
print(df)
print(f"修改后数据 id: {id(df)}")


运行结果 expected:

原始数据：
   name  age
0  张三   25
1  李四   30
原始数据 id: 140234567890
==================================================
使用 inplace=True 修改后的数据：
    姓名  年龄
0  张三   25
1  李四   30
修改后数据 id: 140234567890  # 同一个对象

代码解析:

• 使用 inplace=True 后，DataFrame 的内存地址（id）不变，说明是原地修改。
• 这种方法可以节省内存，特别是处理大型数据集时。

示例 6：处理不存在的列名

使用 errors 参数可以控制当列名不存在时的行为。

实例

import pandas as pd

# 创建一个 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}
df = pd.DataFrame(data)

print("原始数据：")
print(df)
print("=" * 50)

# 尝试重命名一个不存在的列，使用 errors='ignore'（默认）
df_renamed = df.rename(columns={'C': 'C_new'})  # C 列不存在

print("重命名不存在的列（C），使用默认行为：")
print(df_renamed)  # 不会有任何改变
print("=" * 50)

# 尝试重命名一个不存在的列，使用 errors='raise'
try:
    df_renamed2 = df.rename(columns={'C': 'C_new'}, errors='raise')
except KeyError as e:
    print(f"抛出异常: {e}")


运行结果预期:

原始数据：
   A  B
0  1  4
1  2  5
2  3  6
==================================================
重命名不存在的列（C），使用默认行为：
   A  B
0  1  4
1  2  5
2  3  6  # 无变化
==================================================errors
==================================================
抛出异常: 'C'

代码解析:

• 默认情况下（errors='ignore'），如果列不存在，不会有任何改变，也不会报错。
• 如果设置 errors='raise'，会抛出 KeyError 异常。

示例 7：使用 axis 参数

使用 axis 参数可以更灵活地指定重命名的轴。

实例

import pandas as pd

# 创建一个 DataFrame
data = {
    'col1': [1, 2, 3],
    'col2': [4, 5, 6]
}
df = pd.DataFrame(data, index=['row1', 'row2', 'row3'])

print("原始数据：")
print(df)
print("=" * 50)

# 使用 axis='columns' 重命名列
df_renamed_cols = df.rename({'col1': '第一列', 'col2': '第二列'}, axis='columns')

print("使用 axis='columns' 重命名列后：")
print(df_renamed_cols)
print("=" * 50)

# 使用 axis='index' 重命名行索引
df_renamed_idx = df.rename({'row1': '第一行', 'row2': '第二行', 'row3': '第三行'}, axis='index')

print("使用 axis='index' 重命名行后：")
print(df_renamed_idx)


运行结果预期:

原始数据：
      col1  col2
row1     1     4
row2     2     5
row3     3     6
==================================================
使用 axis='columns' 重命名列后：
      第一列  第二列
row1     1     4
row2     2     5
row3     3     6

代码解析:

• axis='columns' 或 axis=1 表示操作列。
• axis='index' 或 axis=0 表示操作行索引。
• 这种语法与 NumPy 的风格一致。

---

注意事项

• rename() 默认不会修改原始 DataFrame，如果想原地修改，使用 inplace=True 参数。
• 优先使用 columns 和 index 参数，而不是 mapper 和 axis，因为前者更清晰易懂。
• 使用函数重命名时，要确保函数返回字符串类型，否则可能会引发错误。
• 在处理大型数据集时，使用 inplace=True 可以节省内存。
• 重命名之前，建议先检查当前的列名，可以使用 df.columns 查看。

---

Pandas 常用函数

返回顶部