嘿，这个问题问得特别到位！我来帮你拆解清楚这两种写法耗时差这么多的核心原因，其实本质是Pandas的rename方法默认行为和两种写法的实际作用完全不同导致的。

先搞懂Pandas rename的默认逻辑 #

Pandas的rename方法默认是不修改原DataFrame的，它会创建一个包含修改后的列名（或索引）的新DataFrame副本，然后返回这个副本。这是Pandas中很多方法的设计原则——尽量避免原地修改，防止意外破坏原始数据。

两种写法的本质差异 #

我们结合你的代码来看：

1. df = df.rename(...) （耗时高的写法）
   每次调用这个语句时，rename都会生成一个全新的DataFrame副本（把指定列名改成新名称），然后把变量df重新指向这个新副本。
   你的DataFrame规模极大（2000万行、21列），每次复制整个数据集都要花费大量的CPU和内存资源。你还连续调用了10次这个操作，相当于做了10次全量数据复制，累计下来耗时自然就很高了。

2. df.rename(...) （耗时低但无效的写法）
   这个写法同样会让rename生成新的副本，但问题在于：这个新副本没有被任何变量保存！Python的垃圾回收机制会立刻把这个临时生成的副本标记为“可回收”，很快就会释放掉它占用的内存。
   更关键的是：你的原始DataFramedf根本没有被修改！你以为改了列名，但实际上原df的列名还是原来的var6、var7这些，这个写法本质是做了一堆“无用功”——生成临时对象又立刻扔掉，所以它的耗时只是创建临时副本的时间，而且因为没有保留副本，内存压力小，整体耗时自然比第一种少很多。

如何高效地重命名列 #

既然知道了原因，那优化的方向就很明确了：

• 一次性修改所有需要重命名的列：不要多次调用rename，把所有列名映射放在一个字典里，一次完成操作，避免多次复制数据：

  df.rename(columns={
      'var1':'VAR1', 'var2':'VAR2', 'var3':'VAR3',
      'var1a':'VAR1a', 'var2a':'VAR2a', ...
  }, inplace=True)
  

• 使用inplace=True参数：这个参数会让rename直接在原DataFrame上修改列名，不会创建新的副本，内存和时间开销都会大幅降低。
• 直接修改df.columns属性：如果你的重命名规则很有规律（比如把部分列名转大写），可以直接修改列名列表，这是最高效的方式：

  # 举例：把指定列名转大写，其他保持不变
  rename_map = {'var1':'VAR1', 'var2':'VAR2', 'var1a':'VAR1a'}
  df.columns = [rename_map.get(col, col) for col in df.columns]
  

这样操作的话，原本30多秒的耗时会降到几毫秒甚至更短，完全解决你的性能问题。

备注：内容来源于stack exchange，提问作者Craig Davis