Pandas按索引重命名重复列时同名列被同步修改的解决方法

我有如下DataFrame数据：

+----+------+----+------+
| Id | Name | Id | Name |
+----+------+----+------+
|  1 | A    |  1 | C    |
|  2 | B    |  2 | B    |
+----+------+----+------+

虽然列名存在重复，但实际是前2列（旧数据）与后2列（新数据）做对比。我尝试通过索引给索引为2的列（倒数第二列）追加_New后缀，使用的代码如下：

df.rename(columns={df.columns[2]: df.columns[2] + '_New'}, inplace=True)

但运行后第一列和第三列的Id都被追加了_New，实际运行结果如下：

+--------+------+--------+------+
| Id_New | Name | Id_New | Name |
+--------+------+--------+------+
|      1 | A    |      1 | C    |
|  2 | B    |      2 | B    |
+--------+------+--------+------+

我的预期是仅给索引为2的列追加_New，预期结果如下：

+----+------+--------+------+
| Id | Name | Id_New | Name |
+----+------+--------+------+
|  1 | A    |      1 | C    |
|  2 | B    |      2 | B    |
+----+------+--------+------+

请问有什么方法可以实现该需求？

df.rename()方法传入字典做列名映射时，是按照列名的字符串值做全局匹配修改，只要列名和字典key一致，就会被重命名，不会区分列的位置，所以两个名为Id的列会被同时修改。

方法1：直接修改列名数组的指定位置 #

直接操作列名的底层numpy数组，只会修改指定索引位置的列名，不会触发全局匹配：

df.columns.values[2] += '_New'

方法2：整体替换列名列表 #

先把列名转成普通列表，修改指定位置后再重新赋值给DataFrame的columns属性，逻辑更直观，兼容性更好：

# 把列名转为列表
col_list = df.columns.tolist()
# 修改索引为2的列名
col_list[2] = f"{col_list[2]}_New"
# 重新赋值列名
df.columns = col_list

内容的提问来源于stack exchange，提问作者Sarath Subramanian