pandas读取重复列名会自动添加“.1”后缀，易致后续操作错误；推荐先检测重复（df.columns.duplicated().any()），再用add_prefix批量加前缀以区分来源，而非依赖默认重命名。
重复列名导致 pd.read_csv 警告或数据错位
当 CSV 或 Excel 文件中存在重复列名（比如多个“score”、两个“id”），pandas.read_csv 默认会静默重命名为 score、score.1、score.2 等。这看似解决了问题，但实际容易引发后续操作出错——比如你写 df['score'] 只取到第一个，而 df[['score', 'score.1']] 又依赖字符串硬编码，极难维护。
更稳妥的做法是在读入时就主动区分，或读入后立即用 add_prefix 统一处理重复列。注意：add_prefix 本身不解决重复列识别问题，它只对已有列名批量加前缀，所以得先让重复列“显性化”。
- 读取时用
mangle_dupe_cols=False会直接报错（不推荐）；默认True是安全的，但生成的.1后缀不可控 - 推荐先用
header=0读取原始列名，检查是否重复：df.columns.duplicated().any() - 若发现重复，可用
df.columns = pd.RangeIndex(len(df.columns))重置为数字索引，再调用add_prefix
add_prefix 对 DataFrame 列名批量加前缀的实际用法
add_prefix 是 DataFrame 方法，不是列名方法，它返回一个新 DataFrame，原地不修改。它对所有列名统一加前缀，不管是否重复——这点很关键：它不智能识别“哪些是重复列”，只是机械拼接。
常见误用是想只给重复列加前缀，但 add_prefix 没这个能力。必须先分离出重复列位置，再手动处理。
- 基础用法：
df_new = df.add_prefix('src1_')→ 所有列变成src1_colA、src1_colB - 如果只想处理部分列，得先切片：
df[['A','B']].add_prefix('part_')，再用pd.concat合并 - 前缀含特殊字符（如点号、空格）不影响，但可能影响后续点号访问（如
df.src1.id失效），建议用方括号取值
合并多个来源 DataFrame 时用 add_prefix 避免列名冲突
这是 add_prefix 最典型、最实用的场景：把来自不同表的同名列区分开，比如用户表和订单表都有 id 和 name，直接 pd.merge 会覆盖或报错。
正确顺序是：先分别加前缀，再合并。注意别漏掉索引列（如有），add_prefix 不影响索引。
users_prefixed = users_df.add_prefix('user_')orders_prefixed = orders_df.add_prefix('order_')- 合并时用
pd.merge(users_prefixed, orders_prefixed, left_on='user_id', right_on='order_user_id') - 如果原始列名含空格或破折号，加前缀后仍保留，但建议提前用
df.columns = df.columns.str.replace(r'[^a-zA-Z0-9_]', '_')清洗
为什么不用 rename 而选 add_prefix？性能与可维护性差异
rename 灵活但需显式映射，适合少量列定制；add_prefix 简单粗暴，适合整批处理，且底层是向量化操作，对宽表（数百列）更快。
真正容易被忽略的是：当你用 add_prefix 后又做 reset_index 或 set_index，新索引列不受影响；但若之后调用 df.T（转置），原列名变行名，add_prefix 就完全失效了——因为它是列轴专属方法。
- 列数少于 10 列：用
rename(columns=lambda x: f'src1_{x}')更直观 - 列数超过 50 列：
add_prefix减少拼写错误，也避免字典键遗漏 - 后续要导出为 JSON 或传给 SQLAlchemy 表定义时，带前缀的列名可能需二次清洗，别忘了这步
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
