无需硬编码从Pandas DataFrame提取列子集的方法

当然有办法啦！不用硬编码列名就能轻松提取1990及以后的列，我给你几个实用的方案，完全适配你给出的df.columns.values结构：

方案1：利用列名的类型筛选 #

你的年份列是整数类型，而str_ID、num_ID是字符串类型，刚好可以通过类型判断来筛选：

# 先筛选出所有整数类型的列（也就是年份列）
year_cols = [col for col in df.columns if isinstance(col, int)]
# 提取年份列的子集
df_year_subset = df[year_cols]

# 如果需要同时保留ID列和年份列，直接把ID列加进去就行
df_full_subset = df[['str_ID', 'num_ID'] + year_cols]

方案2：基于列的位置切片 #

既然年份列都排在ID列之后（从第3列开始，索引为2），直接用切片就能快速拿到：

# 提取从索引2开始到最后的所有列（也就是1990及以后的年份列）
df_year_subset = df.iloc[:, 2:]

# 要是需要保留ID列+年份列，其实就是整个DataFrame啦，不过如果后续列顺序不变，这个方法最简洁

方案3：通过列名的数值大小筛选（通用型） #

如果以后年份列可能变成字符串类型（比如'1990'），或者列顺序有变动，这个方法更通用：

# 遍历列名，判断是否为可转换为数字且≥1990的列
year_cols = [col for col in df.columns if str(col).isdigit() and int(col) >= 1990]
df_year_subset = df[year_cols]

这个写法用列表推导式简化了判断，不管列名是整数还是数字字符串，都能准确筛选出1990及以后的年份列。

这些方法都不用硬编码具体的年份列名，哪怕以后新增了1996、1997这类列，代码也能自动适配，不用修改~

内容的提问来源于stack exchange，提问作者user308827