Ответ 1

Вы можете получить значения в виде списка, выполнив:

list(my_dataframe.columns.values)

Также вы можете просто использовать: (как показано в ответе Эд Чум):

list(my_dataframe)

Ответ 2

Существует встроенный метод, который наиболее эффективен:

my_dataframe.columns.values.tolist()

.columns возвращает индекс, .columns.values возвращает массив, и у него есть вспомогательная функция .tolist для возврата списка.

Если производительность не так важна для вас, объекты Index определяют метод .tolist() который вы можете вызвать напрямую:

my_dataframe.columns.tolist()

Разница в производительности очевидна:

%timeit df.columns.tolist()
16.7 µs ± 317 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit df.columns.values.tolist()
1.24 µs ± 12.3 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Для тех, кто ненавидит печатать, вы можете просто вызвать list на df, вот так:

list(df)

Ответ 3

Сделал несколько быстрых тестов, и, возможно, неудивительно, что встроенная версия с dataframe.columns.values.tolist() является самой быстрой:

In [1]: %timeit [column for column in df]
1000 loops, best of 3: 81.6 µs per loop

In [2]: %timeit df.columns.values.tolist()
10000 loops, best of 3: 16.1 µs per loop

In [3]: %timeit list(df)
10000 loops, best of 3: 44.9 µs per loop

In [4]: % timeit list(df.columns.values)
10000 loops, best of 3: 38.4 µs per loop

(Мне все еще очень нравится list(dataframe), хотя, спасибо EdChum!)

Ответ 4

Его становится еще проще (pandas 0.16.0):

df.columns.tolist()

предоставит вам имена столбцов в хорошем списке.

Ответ 5

>>> list(my_dataframe)
['y', 'gdp', 'cap']

Чтобы вывести список столбцов данных в режиме отладчика, используйте понимание списка:

>>> [c for c in my_dataframe]
['y', 'gdp', 'cap']

Кстати, вы можете получить отсортированный список просто с помощью sorted:

>>> sorted(my_dataframe)
['cap', 'gdp', 'y']

Ответ 6

Это доступно как my_dataframe.columns.

Ответ 7

Интересно, но df.columns.values.tolist() почти в 3 раза быстрее, чем df.columns.tolist(), но я думал, что они одинаковы:

In [97]: %timeit df.columns.values.tolist()
100000 loops, best of 3: 2.97 µs per loop

In [98]: %timeit df.columns.tolist()
10000 loops, best of 3: 9.67 µs per loop

Ответ 8

Удивлен, я не видел это опубликовано до сих пор, поэтому я просто оставлю это здесь.

Расширенная итеративная распаковка (python3. 5+): [*df] и друзья

Обобщения распаковки (PEP 448) были введены в Python 3.5. Итак, следующие операции все возможны.

df = pd.DataFrame('x', columns=['A', 'B', 'C'], index=range(5))
df

   A  B  C
0  x  x  x
1  x  x  x
2  x  x  x
3  x  x  x
4  x  x  x 

Если вы хотите list....

[*df]
# ['A', 'B', 'C']

Или, если вы хотите set,

{*df}
# {'A', 'B', 'C'}

Или, если вы хотите tuple,

*df,  # Please note the trailing comma
# ('A', 'B', 'C')

Или, если вы хотите сохранить результат где-то,

*cols, = df  # A wild comma appears, again
cols
# ['A', 'B', 'C']

... если вы тот человек, который превращает кофе в печатание звуков, ну, это будет потреблять ваш кофе более эффективно;)

PS: если важна производительность, вам нужно отказаться от вышеупомянутых решений в пользу

df.columns.to_numpy().tolist()
# ['A', 'B', 'C']

Это похоже на ответ Эда Чума, но обновлено для v0.24, где .to_numpy() предпочтительнее использования .values. Смотрите этот ответ (мной) для получения дополнительной информации.

Визуальная проверка
Поскольку я видел это в других ответах, вы можете использовать итеративную распаковку (нет необходимости в явных циклах).

print(*df)
A B C

print(*df, sep='\n')
A
B
C

Критика других методов

Не используйте явную for цикла для операции, которая может быть сделана в одной строке ( описания списки в порядке).

Далее, использование sorted(df) не сохраняет первоначальный порядок столбцов. Для этого вам следует использовать list(df).

Далее, list(df.columns) и list(df.columns.values) являются плохими предложениями (по состоянию на текущую версию, v0.24). И Index (возвращаемый из df.columns), и массивы NumPy (возвращаемые df.columns.values) определяют .tolist() который работает быстрее и более идиоматичен.

Наконец, listification, то есть list(df) должен использоваться только как краткая альтернатива вышеупомянутым методам.

Ответ 9

DataFrame следует заговоренным соглашением итерации по "ключам" объектов.

my_dataframe.keys()

Создайте список ключей/столбцов - метод объекта to_list() и pythonic way

my_dataframe.keys().to_list()
list(my_dataframe.keys())

Базовая итерация в DataFrame возвращает метки столбцов

[column for column in my_dataframe]

Не конвертируйте DataFrame в список, просто чтобы получить метки столбцов. Не переставайте думать, ища удобные примеры кода.

xlarge = pd.DataFrame(np.arange(100000000).reshape(10000,10000))
list(xlarge) #compute time and memory consumption depend on dataframe size - O(N)
list(xlarge.keys()) #constant time operation - O(1)

Ответ 10

В ноутбуке

Для исследования данных в ноутбуке IPython, мой предпочтительный способ:

sorted(df)

Будет создан удобный для чтения алфавитно упорядоченный список.

В репозитории кода

В коде я нахожу более явным, чтобы делать

df.columns

Потому что он говорит другим, читающим ваш код, что вы делаете.

Ответ 11

%%timeit
final_df.columns.values.tolist()
948 ns ± 19.2 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%%timeit
list(final_df.columns)
14.2 µs ± 79.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%%timeit
list(final_df.columns.values)
1.88 µs ± 11.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%%timeit
final_df.columns.tolist()
12.3 µs ± 27.4 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%%timeit
list(final_df.head(1).columns)
163 µs ± 20.6 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

Ответ 12

Простейший способ:

list(my_dataframe.columns)

Ответ 13

как ответил Симеон Виссер... вы могли бы сделать

list(my_dataframe.columns.values) 

или же

list(my_dataframe) # for less typing.

Но я думаю, что самое приятное место это:

list(my_dataframe.columns)

Это явно, в то же время не излишне долго.

Ответ 14

Для быстрой, аккуратной визуальной проверки попробуйте это:

for col in df.columns:
    print col

Ответ 15

Это дает нам имена столбцов в списке:

list(my_dataframe.columns)

Также можно использовать другую функцию с именем tolist():

my_dataframe.columns.tolist()

Ответ 16

Мне кажется, вопрос заслуживает дополнительного объяснения.

Как отметил @fixxxer, ответ зависит от версии pandas, которую вы используете в своем проекте. Что вы можете получить с помощью команды pd.__version__.

Если вы по какой-то причине, как я (в Debian Jessie, я использую 0.14.1), используете более старую версию панд, чем 0.16.0, тогда вам нужно использовать:

df.keys().tolist() потому что метод df.columns еще не реализован.

Преимущество этого метода ключей в том, что он работает даже в более новых версиях панд, поэтому он более универсален.

Ответ 17

n = []
for i in my_dataframe.columns:
    n.append(i)
print n

Ответ 18

Хотя решение, которое было предоставлено выше, приятно. Я также ожидал бы, что что-то вроде frame.column_names() будет функцией в пандах, но, поскольку это не так, возможно, было бы неплохо использовать следующий синтаксис. Это как-то сохраняет ощущение, что вы используете панды надлежащим образом, вызывая функцию "tolist": frame.columns.tolist()

frame.columns.tolist() 

Ответ 19

может использовать атрибуты индекса

df = pd.DataFrame({'col1' : np.random.randn(3), 'col2' : np.random.randn(3)},
                 index=['a', 'b', 'c'])

Ответ 20

Это решение перечисляет все столбцы вашего объекта my_dataframe:

print(list(my_dataframe))

Ответ 21

Попробуйте это:

list(my_dataframe.keys());