rename()需严格匹配原列名（大小写、空格、特殊字符），建议先用df.columns.tolist()核对；函数重命名须返回字符串，避免None；禁用inplace=True以防链式调用失败；rename后需手动更新列名引用并检查唯一性。
rename() 传字典时键必须是原列名，且大小写敏感
直接用 df.rename(columns={'old_name': 'new_name'}) 是最常见方式，但容易忽略列名是否真的一致——比如原表里是 'User ID'，你写了 'user_id'，字典键就匹配不上，rename 后列名毫无变化，也不会报错。建议先用 df.columns.tolist() 看一眼真实列名，注意空格、大小写、不可见字符（如全角空格）。如果列名带空格或特殊符号，字典键必须原样复制，不能“想当然”改写。
用函数重命名时，函数接收的是列名字符串，返回新列名
传函数适用于批量规则化改名，比如统一转小写、删空格、加前缀。函数签名很简单：lambda x: x.strip().lower().replace(' ', '_')。注意：函数对每个列名单独调用，不接触数据内容；返回值必须是字符串，返回 None 或非字符串会导致该列名变成 None（Pandas 会显示为 None 列，后续操作极易出错）。另外，函数内不要依赖外部变量的动态状态（如计数器），因为 Pandas 内部可能并行或多次调用该函数，行为不可控。
inplace=True 并不总是安全，链式调用时务必避免
df.rename(columns=mapping, inplace=True) 看似省事，但一旦和其它方法连用（如 df.rename(...).dropna()），就会因 inplace=True 返回 None 导致 AttributeError: 'NoneType' object has no attribute 'dropna'。除非你明确只做重命名且不再链式操作，否则一律用 df = df.rename(...) 显式赋值。这也更符合函数式习惯，便于调试和复现。
rename 后索引未更新，.columns 是视图不是副本
df.rename() 返回的是新 DataFrame，其 .columns 是独立对象。但如果你在 rename 前已用 .columns 创建了引用（如 old_cols = df.columns），rename 后 old_cols 不会自动同步——它还是原来的 Index 对象。需要重新赋值或直接用 df.columns 获取最新值。另外，若列名含重复项，rename 后仍可能保留重复，Pandas 不校验唯一性，下游 df['col'] 取值会出问题，建议 rename 后立刻检查 df.columns.is_unique。
立即学习“Python免费学习笔记（深入）”；
