如果您必须处理由提供系统命名的超出您控制范围的列负载，我提出了以下方法，它是一种通用方法和特定替换方法的组合。

首先使用正则表达式从数据帧列名创建一个字典，以便丢弃列名的某些附加部分，然后向字典中添加特定替换项，以命名接收数据库中的核心列。

然后将其一次性应用于数据帧。

dict = dict(zip(df.columns, df.columns.str.replace('(:S$|:C1$|:L$|:D$|\.Serial:L$)', '')))
dict['brand_timeseries:C1'] = 'BTS'
dict['respid:L'] = 'RespID'
dict['country:C1'] = 'CountryID'
dict['pim1:D'] = 'pim_actual'
df.rename(columns=dict, inplace=True)

只需将其分配给.columns属性：

>>> df = pd.DataFrame({'$a':[1,2], '$b': [10,20]})
>>> df
   $a  $b
0   1  10
1   2  20

>>> df.columns = ['a', 'b']
>>> df
   a   b
0  1  10
1  2  20

df.columns = ['a', 'b', 'c', 'd', 'e']

它将按照您提供的顺序用您提供的名称替换现有名称。

我的单线回答是

df.columns=df_new_cols

它是最好的，处理时间为1/3。

timeit比较：

df有七列。我正在尝试更改一些名称。

%timeit df.rename(columns={old_col:new_col for (old_col,new_col) in zip(df_old_cols,df_new_cols)},inplace=True)
214 µs ± 10.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.rename(columns=dict(zip(df_old_cols,df_new_cols)),inplace=True)
212 µs ± 7.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit df.columns = df_new_cols
72.9 µs ± 17.2 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我需要重命名XGBoost的功能，但它不喜欢这些功能：

import re
regex = r"[!\"#$%&'()*+,\-.\/:;<=>?@[\\\]^_`{|}~ ]+"
X_trn.columns = X_trn.columns.str.replace(regex, '_', regex=True)
X_tst.columns = X_tst.columns.str.replace(regex, '_', regex=True)

一个简单而“有趣”（和蟒蛇？）的解决方案：

df.rename(columns={x: x.replace('$', '') for x in df.columns})

哪里：

df = pd.DataFrame(columns=['$a', '$b', '$c', '$d', '$e'])

步骤：

获取DataFrame的列作为列表：

df.columns

在DataFrames中重命名的方法：

df.rename()

属性以指定要重命名列：

columns={}

在字典中，您需要指定要重命名的列（在每个键中）以及它们将获得的新名称（每个值）

{'old_col_name': 'new_col_name', ...}

由于您的更改遵循一种模式，为了删除每列中的$字符，我们可以使用字典理解：

{x: x.replace('$', '') for x in df.columns}