Pandas DataFrame列重命名返回None问题及重命名+向上取整需求

需求2：实现数值列向上取整 + 批量重命名所有列 #

我们可以分两步完成这个需求，先处理数值列的向上取整，再批量重命名列，下面是完整的实现代码和说明：

步骤1：筛选数值列并向上取整 #

先用select_dtypes筛选出所有数值类型的列（int、float等），再用numpy的ceil函数对这些列的值做向上取整：

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'score1': [85.2, 90.7, 78.4],
    'score2': [76.5, 88.1, 92.9],
    'age': [22, 25, 23]
})

# 筛选数值类型的列
numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns

# 对数值列执行向上取整
df[numeric_cols] = np.ceil(df[numeric_cols])

步骤2：批量重命名所有列 #

批量重命名可以用df.rename()方法，传入函数或字典来定义规则，这里给两个常见的实用例子：

例子1：给所有列加前缀

# 给每个列名加上"processed_"前缀
df = df.rename(columns=lambda x: f'processed_{x}')

例子2：把所有列名转成大写

# 批量将列名转为大写
df = df.rename(columns=str.upper)

整合后的可复用函数 #

把两步封装成函数，方便后续调用：

import pandas as pd
import numpy as np

def process_dataframe(df, rename_rule=None):
    # 第一步：数值列向上取整
    numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
    df[numeric_cols] = np.ceil(df[numeric_cols])
    
    # 第二步：批量重命名列，默认加前缀
    if rename_rule is None:
        df = df.rename(columns=lambda x: f'processed_{x}')
    else:
        df = df.rename(columns=rename_rule)
    
    return df

# 测试函数
df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'score1': [85.2, 90.7, 78.4],
    'score2': [76.5, 88.1, 92.9],
    'age': [22, 25, 23]
})

processed_df = process_dataframe(df)
print(processed_df)

运行后你会得到数值列全部向上取整、且列名带processed_前缀的DataFrame。如果需要自定义重命名规则，只需要给rename_rule传一个函数或字典即可，比如rename_rule=str.lower就能把列名改成小写。

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