本文介绍如何基于列名模式（如 A_1、A_2、B_1、B_2）从源 DataFrame 中动态筛选 A* 和 B* 列，构建结构自适应的新 DataFrame，避免硬编码和重复赋值。

本文介绍如何基于列名模式（如 a_1、a_2、b_1、b_2）从源 dataframe 中动态筛选 a\* 和 b\* 列，构建结构自适应的新 dataframe，避免硬编码和重复赋值。

在实际数据处理中，常遇到列结构不固定但遵循命名规律的情况——例如源数据框 df_source 可能包含 A_1, B_1, C_1（基础三列），也可能扩展为 A_1, A_2, B_1, B_2, C_1, C_2（六列）。此时，若仅需提取所有以 "A_" 或 "B_" 开头的列（即 A_1, A_2, B_1, B_2），且希望结果 df_new 自动适配列数（2列或4列），不应依赖条件分支反复重赋值，而应采用更简洁、可扩展的列名过滤策略。

推荐使用列表推导式结合字符串匹配，一次性生成目标列名：

# 筛选所有以 "A_" 或 "B_" 开头的列名（按原始顺序保留）
target_cols = [col for col in df_source.columns if col.startswith(('A_', 'B_'))]
df_new = df_source[target_cols].copy()  # 显式 copy 避免 SettingWithCopyWarning

该方法优势显著：

• ✅ 无需预判列是否存在：自动跳过不存在的 A_2/B_2，安全可靠；
• ✅ 保持原始列序：A_1, A_2, B_1, B_2 的顺序与 df_source.columns 一致；
• ✅ 高度可扩展：如需加入 C_*，只需修改元组 ('A_', 'B_', 'C_')；
• ✅ 性能高效：单次遍历列名，无冗余索引操作。

⚠️ 注意事项：

• 避免使用 df_new[...] = ... 追加列（如原问题中“不知如何添加”），这易触发 SettingWithCopyWarning 或意外修改源数据；
• 若需严格按 A_1, B_1, A_2, B_2 固定顺序（而非源顺序），可显式排序：

  import re
  target_cols = sorted([col for col in df_source.columns if col.startswith(('A_', 'B_'))],
                       key=lambda x: (x.split('_')[0], int(x.split('_')[1])))

综上，基于列名模式的动态筛选应优先使用声明式列表推导，而非命令式条件分支——代码更简练、逻辑更清晰、维护性更强。