本文介绍如何根据列名模式（如 A_1、A_2、B_1、B2）从源 DataFrame 中动态提取所有以 "A" 或 "B_" 开头的列，并一次性构建目标 DataFrame，避免重复赋值和冗余判断。

本文介绍如何根据列名模式（如 a_1、a_2、b_1、b_2）从源 dataframe 中动态提取所有以 "a_" 或 "b_" 开头的列，并一次性构建目标 dataframe，避免重复赋值和冗余判断。

在实际数据处理中，我们常遇到列结构不固定但命名有规律的情况——例如 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）。此时若仅需保留所有 A_* 和 B_* 列（即 A_1, A_2, B_1, B_2 中存在的列），硬编码列名列表或嵌套条件判断不仅易错，也缺乏可维护性。

推荐使用列表推导式 + 字符串前缀匹配的方式，简洁、高效且可扩展：

# 动态筛选所有以 'A_' 或 'B_' 开头的列
target_cols = [col for col in df_source.columns if col.startswith(('A_', 'B_'))]
df_new = df_source[target_cols].copy()  # 安全复制，避免链式赋值警告

✅ 优势说明：

• str.startswith() 支持元组参数，可同时匹配多个前缀；
• 无需预先判断 'A_2' in df_source.columns，自动跳过不存在的列；
• 返回列顺序与源 DataFrame 中原始顺序一致（保持可预测性）；
• 单行逻辑清晰，无副作用，适合管道化（如配合 .assign() 或函数封装）。

⚠️ 注意事项：

• 确保列名严格区分大小写（如 'a_1' 不会被匹配）；
• 若存在类似 'AA_1' 或 'AB_1' 等干扰列，需改用正则匹配：

  import re
  target_cols = [col for col in df_source.columns if re.match(r'^(A|B)_\d+$', col)]

• 始终使用 .copy() 显式创建新 DataFrame，防止后续修改意外影响原始数据。

总结：与其用条件分支反复重建 df_new，不如用声明式方式一次性生成目标列列表——这既是 Pandas 的惯用实践，也体现了“数据驱动逻辑”的工程思维。