本文介绍在 Pandas 中安全剔除列名以 _AX、_B2 等固定后缀结尾的列（如保留 ABC_number_AX_MED，仅删除 ABC_number_AX），避免正则误匹配，并提供简洁、高效、无副作用的解决方案。
本文介绍在 pandas 中安全剔除列名以 `_ax`、`_b2` 等固定后缀结尾的列（如保留 `abc_number_ax_med`，仅删除 `abc_number_ax`），避免正则误匹配，并提供简洁、高效、无副作用的解决方案。
在数据预处理中，我们常需按命名规则批量筛选或剔除列。但使用正则表达式（如 re.search('_AX', col)）容易引发过度匹配问题：_AX 会同时匹配 ABC_number_AX 和 ABC_number_AX_MED，导致后者被错误剔除。根本原因在于正则默认进行子串匹配，而实际需求是精确匹配列名结尾。
最直接、可靠且无需正则的方式是使用 Python 原生字符串方法 str.endswith() 配合 any() 判断：
# 定义需排除的后缀列表（注意：不带正则元字符，语义清晰） patterns = ['_AX', '_B2'] # 仅保留不以任一指定后缀结尾的列名 filtered_columns = [col for col in df.columns if not any(col.endswith(p) for p in patterns)] # 创建新 DataFrame（推荐，避免原地修改风险） df_filtered = df[filtered_columns]
✅ 优势说明：
- 精准性高：endswith() 严格校验后缀位置，ABC_number_AX_MED 不会匹配 _AX；
- 性能更优：相比正则编译与搜索，字符串方法开销更低，尤其在列数较多时；
- 可读性强：逻辑直白，无需转义、无需考虑正则边界符（如 $ 在 re.search('_AX$', col) 中虽可行，但需确保模式正确编译，且易受空格等干扰）；
- 安全无副作用：未修改原始 df，便于调试与链式操作。
⚠️ 注意事项：
- 若后缀本身含特殊字符（如 .、*），endswith() 仍可直接使用——它不解析通配符，完全按字面值匹配；
- 如需支持更复杂规则（如“以 _AX 结尾但前面不能是 _MED”），再升级为正则 + re.fullmatch() 或 re.search(r'_AX(?!\w)', col)；
- 生产环境建议添加校验：assert len(filtered_columns)
综上，当目标明确为「排除以某字符串结尾的列」时，优先选用 str.endswith() 组合列表推导式——简洁、健壮、零学习成本，是 Pandas 列过滤场景下的最佳实践。
