（已编辑）
当您调用arr = df.values 时，会返回对df 数据的引用，因此速度非常快（没有真正完成工作）。另一方面，arr = df[list_of_cols].values 需要先在df 内部进行一些整合。
尝试以这种方式运行它：
arr = df.values[:, numeric_list_of_cols]
可能会快一点，因为所有工作都在 numpy 数组中完成。但实际的加速很可能取决于基础数据。
测试
我决定进行一些测试，结果如下。
首先，一个只包含数值的数据框。
'''Setup'''
a = np.random.rand(1000, 1000)
df = pd.DataFrame(a)
idx = np.arange(0, 1000, 3)
df.iloc[:3,:5]
Out[35]:
0 1 2 3 4
0 0.825100 0.556511 0.445429 0.972720 0.726258
1 0.818005 0.298689 0.684203 0.722038 0.848657
2 0.426488 0.270172 0.400533 0.946921 0.745236
让我们每隔三列获取一次：
# data frame:
%timeit x = df.iloc[:,idx]
1000 loops, best of 3: 1.69 ms per loop
%timeit x = df.iloc[:,idx].copy()
100 loops, best of 3: 2.75 ms per loop
# underlying values:
%timeit x = df.values[:,idx]
1000 loops, best of 3: 1.61 ms per loop
%timeit x = df.values[:,idx].copy()
100 loops, best of 3: 2.23 ms per loop
# numpy array for comparison
%timeit x = a[:,idx]
1000 loops, best of 3: 1.53 ms per loop
%timeit x = a[:,idx].copy()
100 loops, best of 3: 2.16 ms per loop
使用.values 访问只是快一点（事实上，在我运行的其他测试中，差异甚至更小，不到 1%）。但是让我们尝试对一组连续的列进行同样的操作。
%timeit x = df.iloc[:,300:600]
10000 loops, best of 3: 153 µs per loop
%timeit x = df.iloc[:,300:600].copy()
1000 loops, best of 3: 1.18 ms per loop
%timeit x = df.values[:,300:600]
The slowest run took 9.67 times longer than the fastest. This could mean that an intermediate result is being cached
10000 loops, best of 3: 15.7 µs per loop
%timeit x = df.values[:,300:600].copy()
1000 loops, best of 3: 568 µs per loop
%timeit x = a[:,300:600]
The slowest run took 24.73 times longer than the fastest. This could mean that an intermediate result is being cached
1000000 loops, best of 3: 414 ns per loop
%timeit x = a[:,300:600].copy()
1000 loops, best of 3: 497 µs per loop
我们有时会怀疑我们正在获取视图。所以让我们专注于.copy() 的结果。使用values 访问大约快 2 倍。
我们可以做得更好。让我们将底层数组中的数据布局更改为 fortran 顺序。这意味着数组的列在内存中是连续放置的（不是行，这是默认设置）。
a = np.asfortranarray(a)
df = pd.DataFrame(np.asfortranarray(a))
df.iloc[:3,:5]
df.iloc[:3,:5]
Out[53]:
0 1 2 3 4
0 0.825100 0.556511 0.445429 0.972720 0.726258
1 0.818005 0.298689 0.684203 0.722038 0.848657
2 0.426488 0.270172 0.400533 0.946921 0.745236
我只粘贴复制的结果：
# Every third column:
%timeit x = df.iloc[:,idx].copy()
100 loops, best of 3: 1.85 ms per loop
%timeit x = df.values[:,idx].copy()
1000 loops, best of 3: 1.2 ms per loop
%timeit x = a[:,idx].copy()
1000 loops, best of 3: 1.13 ms per loop
# Contiguous group of columns
%timeit x = df.iloc[:,300:600].copy()
1000 loops, best of 3: 635 µs per loop
%timeit x = df.values[:,300:600].copy()
1000 loops, best of 3: 655 µs per loop
%timeit x = a[:,300:600].copy()
1000 loops, best of 3: 586 µs per loop
但是当数据框包含混合类型的列时会发生什么？
让我们将每隔一列转换为字符串。
for i in range(0, 1000, 2):
df[i] = df[i].astype(str)
df.iloc[:3,:5]
Out[71]:
0 1 2 3 4
0 0.825100137204 0.556511 0.445428873093 0.972720 0.726258247769
1 0.818005069404 0.298689 0.684203047084 0.722038 0.848656512757
2 0.42648763586 0.270172 0.400532581854 0.946921 0.745235906595
%timeit x = df.iloc[:,idx].copy()
100 loops, best of 3: 8.24 ms per loop
%timeit x = df.values[:,idx].copy()
10 loops, best of 3: 51.6 ms per loop
%timeit x = df.iloc[:,300:600].copy()
100 loops, best of 3: 6.91 ms per loop
%timeit x = df.values[:,300:600].copy()
10 loops, best of 3: 48.3 ms per loop
Numpy 不能很好地处理数组中的混合类型。直接访问数据框更胜一筹。
附录
如何从list_of_columns 中取出numeric_list_of_cols。
-
纯蟒蛇：
cols = df.columns.tolist()
numeric_list_of_cols = [cols.index(i) for i in list_of_columns]
-
麻木：
numeric_lis_of_cols, = np.in1d(df.columns, list_of_columns).nonzero()
numeric_lis_of_cols 后面的逗号是解包元组所必需的。函数 in1d 返回一个布尔数组和 nonzero() - 一个非零索引数组的元组。
警告：它可以改变元素的顺序。
为了保持顺序，您可以遍历 list_of_columns（类似于 np.nonzero(df.columns == elem)）的元素以获取后续索引。