最稳妥的列交换方式是reindex(columns=新列名列表)，它不依赖原始顺序、保留dtype、避免命名歧义；需传入完整列名列表且拼写严格一致，重复列名会报错。

用 reindex 交换两列最稳妥

直接改 columns 顺序容易出错，尤其当列名重复或含空格时。reindex 是 Pandas 官方推荐的列重排方式，它不依赖原始顺序，只按你给的列表重建列结构。

• 必须传入完整列名列表（不能只写要交换的两列），否则缺失列会变成 NaN
• 列名拼写必须完全一致，大小写、空格、下划线一个都不能错
• 如果原 DataFrame 有重复列名，reindex 会报 ValueError: cannot reindex from a duplicate axis

比如想把 'A' 和 'C' 位置互换：

df = df.reindex(columns=['C', 'B', 'A', 'D'])

用双括号加列表切片快速交换相邻列

如果只是想把第 2 列和第 3 列（索引为 1 和 2）对调，用位置索引比列名更直接，也避开命名歧义问题。

• 适用于列名不规范（如含空格、点号）、或临时调试场景
• 注意：df.columns.tolist() 返回的是视图，修改后需重新赋值给 columns，但更推荐直接用双括号选列
• 错误写法：df[:, [0,2,1,3]] —— DataFrame 不支持 NumPy 式切片

正确做法：

立即学习“Python免费学习笔记（深入）”；

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

df = df[[df.columns[0], df.columns[2], df.columns[1], df.columns[3]]]

iloc + columns 组合在循环中易踩坑

有人想用 iloc 提取列再拼接，比如 pd.concat([df.iloc[:, :1], df.iloc[:, 2:3], df.iloc[:, 1:2]], axis=1)。这看似灵活，实际埋了三个雷：

• 列名丢失：iloc 返回的是无名列，拼接后列名变成 0, 1, 2...
• 索引对齐开销大：每次 iloc 都触发拷贝，大数据量时明显变慢
• 列数变动时代码脆：加一列就得手动改所有切片范围

真要动态交换，优先用 reindex 配合列表生成逻辑，比如：

cols = df.columns.tolist()<br>cols[1], cols[2] = cols[2], cols[1]<br>df = df.reindex(columns=cols)

交换后索引类型可能意外改变

看起来只是调换顺序，但如果你的原始列里有 datetime64 或 categorical 类型，用某些方法（比如先 pop 再 insert）可能导致 dtype 降级成 object。

• 用 reindex 或双括号选列能保留原有 dtype
• 交换后务必检查：df.dtypes，尤其注意时间列是否变回字符串
• 如果用了 assign 拼新 DataFrame，旧列的 category codes 可能被重置

最保险的验证方式：

print(df.dtypes.equals(original_df.dtypes))  # 应该输出 True

列顺序调整看着简单，但 Pandas 的列操作背后绑着索引对齐、dtype 推断、内存视图这些隐性机制。稍不注意，表面没报错，结果里就混进了 object 类型的时间字段，或者 merge 时因列名大小写不一致静默失败。