使用Python切片筛选Pandas DataFrame指定列的实现方法

首先，你的代码是正确的，确实能精准提取出Luminosity列，并转换为适合后续建模的二维数组格式。

先梳理你的原代码逻辑 #

你创建的DataFrame结构如下：

import pandas as pd
dataframe = pd.DataFrame({'Date': ['2017-04-01 00:24:17','2017-04-01 00:54:16','2017-04-01 01:24:17'] * 1000, 'Luminosity':[2,3,4] * 1000})

然后通过iloc[:,1]选中第二列（索引从0开始），用.values转换为NumPy数组，最后reshape(-1,1)把一维数组转为二维——这一步通常是为了适配scikit-learn等机器学习库的输入要求，整个流程完全没问题，能得到你需要的结果。

更简洁的优化方案 #

不过有几种更直观、紧凑的写法可以替代，供你参考：

1. 链式调用一步完成提取与变形
   不需要拆分两步，直接把操作连在一起，代码更简洁：

X = dataframe['Luminosity'].values.reshape(-1, 1)

效果和你的原代码完全一致，但可读性更强。

2. 用双层方括号直接获取二维结构
   如果使用[['Luminosity']]（注意是双层方括号），会直接得到一个仅含目标列的DataFrame，转成数组后天然就是二维的，省去手动reshape的步骤：

X = dataframe[['Luminosity']].values

3. 官方推荐的to_numpy()替代.values
   Pandas官方更建议用to_numpy()方法转换为NumPy数组，它的行为更明确，在处理混合数据类型的列时表现更稳定：

# 对应方案1的优化版
X = dataframe['Luminosity'].to_numpy().reshape(-1, 1)
# 对应方案2的优化版
X = dataframe[['Luminosity']].to_numpy()

这些优化方案都能达到同样的目标，你可以根据自己的编码习惯选择最合适的写法。

内容的提问来源于stack exchange，提问作者bgarcial