drop删列时列名不存在默认报KeyError，应加errors='ignore'；推荐用columns=参数而非axis=1；删列后需df.copy()释放内存；正则删列需str.contains(na=False)配合布尔索引。
drop函数删列时列名不存在会报错
直接用 df.drop(columns=['col1', 'col2']) 删除列，如果其中某个列名（比如 'col2'）根本不在 DataFrame 里，默认会抛出 KeyError。这不是 bug，是 pandas 的默认严格模式。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 加参数
errors='ignore'：遇到不存在的列就跳过，不报错 —— 适合清洗脚本中“尽力删、删不着也不拦路”的场景 - 想确认哪些列真被删了？删之前先检查：
set(['col1', 'col2']) & set(df.columns) - 别用
inplace=True配合errors='ignore'来“静默试删”，容易掩盖列名拼写错误，后期难 debug
用axis=1还是columns参数？选哪个更安全
两种写法效果一样：df.drop(['A', 'B'], axis=1) 和 df.drop(columns=['A', 'B'])。但后者语义明确、不易误用。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
axis=1容易手滑写成axis=0（结果变成删行），尤其在快速复制粘贴时 -
columns=参数名自带提示，IDE 补全友好，也方便后续加errors=或inplace= - 如果要同时删行列（极少见），必须用
axis；日常纯删列，无脑用columns=
删列后索引没变，但内存没立刻释放
pandas 的 drop 默认返回新 DataFrame，原对象不动。但即使你赋值覆盖，比如 df = df.drop(columns=['temp'])，Python 的引用计数机制和 pandas 内部缓存可能导致旧列数据暂时滞留内存。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 大表处理完立刻删列，紧接着调用
df = df.copy()，能强制触发底层数据重分配，释放冗余内存 - 避免链式操作如
df.drop(...).drop(...).reset_index()，中间对象不落地，GC 压力大；分步赋值更可控 - 用
df.info(memory_usage='deep')对比删列前后内存占用，别只看.shape
用正则批量删列名含特定模式的列
比如要删所有以 'tmp_' 开头或含 '_bak' 的列，drop 本身不支持正则，得靠布尔索引配合 str.contains()。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写法是：
df.drop(columns=df.columns[df.columns.str.contains(r'^(tmp_|.*_bak$)')]) - 注意
str.contains()默认匹配子串，加^和$控制边界，否则'report'也会被'port'匹配中 - 正则失败时返回
NaN，导致布尔索引出错，加参数na=False：df.columns.str.contains(..., na=False)
print(list(df.columns)) 看一眼原始名字，比查文档快。 
