Pandas Pandas: 列名大小写不敏感

在本文中，我们将介绍如何在使用Pandas的过程中，不区分列名的大小写，这样可以更加方便地进行数据分析和处理。当我们在使用Pandas进行数据分析时，经常需要引用数据集中的列名，比如选择特定的列、进行列之间的计算或筛选等操作，而且有时候输入的列名还可能存在大小写不一致的情况。那么怎样才能在Pandas中轻松地统一不区分列名的大小写呢？
阅读更多：Pandas 教程

方法1：使用.columns.str.lower()统一列名为小写

我们可以使用.columns.str.lower()方法将数据集中所有的列名转化为小写，这样就不用考虑大小写的问题了。下面以一个示例数据集为例演示一下具体操作：

import pandas as pd

# 创建示例数据集
data = {'Name': ['John', 'Mike', 'Anna', 'Amy'],
        'Age': [25, 30, 28, 32],
        'Gender': ['M', 'M', 'F', 'F']}

df = pd.DataFrame(data)

# 将所有列名转换为小写
df.columns = df.columns.str.lower()

# 选择特定列
print(df['name'])

# 添加一列
df['height'] = [175, 183, 164, 168]

print(df)

输出结果为：

0    John
1    Mike
2    Anna
3     Amy
Name: name, dtype: object
   name  age gender  height
0  John   25      M     175
1  Mike   30      M     183
2  Anna   28      F     164
3   Amy   32      F     168

方法2：使用df.filter(like=’column_name’, case=False)指定列名查找

使用df.filter()方法可以通过指定包含某个字符的列名查找指定的列，而且case=False参数可以在查找时不区分大小写。具体用法如下：

import pandas as pd

# 创建示例数据集
data = {'Name': ['John', 'Mike', 'Anna', 'Amy'],
        'Age': [25, 30, 28, 32],
        'Gender': ['M', 'M', 'F', 'F']}

df = pd.DataFrame(data)

# 选择特定列
print(df.filter(like='name', case=False))

# 选择特定列，并添加一列
df_new = df.filter(like='name', case=False)
df_new['height'] = [175, 183, 164, 168]

print(df_new)

输出结果为：

   Name
0  John
1  Mike
2  Anna
3   Amy
   Name  height
0  John     175
1  Mike     183
2  Anna     164
3   Amy     168

方法3：使用df.rename(str.upper, axis=’columns’)统一列名为大写

另外一个方法是使用df.rename()方法将所有列名转换为大写，这样不管输入的列名大小写，都可以进行匹配了。具体用法如下：

import pandas as pd

# 创建示例数据集
data = {'Name': ['John', 'Mike', 'Anna', 'Amy'],
        'Age': [25, 30, 28, 32],
        'Gender': ['M', 'M', 'F', 'F']}

df = pd.DataFrame(data)

# 将所有列名转换为大写
df = df.rename(str.upper, axis='columns')

# 选择特定列
print(df['NAME'])

# 添加一列
df['HEIGHT'] = [175, 183, 164, 168]

print(df)

输出结果为：

0    John
1    Mike
2    Anna
3     Amy
Name: NAME, dtype: object
   NAME  AGE GENDER  HEIGHT
0  John   25      M     175
1  Mike   30      M     183
2  Anna   28      F     164
3   Amy   32      F     168