考虑以下代码：
import pandas as pd
from StringIO import StringIO
x='''
a,b,c,d
1,2,3,4
5,6,7,8
9,10,11,12
13,14,15,16
17,18,19,20
'''
df = pd.read_csv(StringIO(x), skipinitialspace=True, usecols=[2,3,2])
print df
输出：
cd 0 3 4 1 7 8 2 11 12 3 15 16 4 19 20有什么办法可以得到
CDC 0 3 4 3 1 7 8 7 2 11 12 11 3 15 16 15 4 19 20 19【问题讨论】：
你可以使用iloc[]索引器：
In [67]: pd.read_csv(StringIO(x), skipinitialspace=True).iloc[:, [2,3,2]]
Out[67]:
c d c
0 3 4 3
1 7 8 7
2 11 12 11
3 15 16 15
4 19 20 19
但是作为@Boud has already mentioned in comments，使用usecols 参数会更有效（因为我们不需要解析不需要的列，也不会为它们浪费内存），如果您知道 CSV 文件中任一列的名称：
In [6]: pd.read_csv(StringIO(x), skipinitialspace=True, usecols=[2,3,2]).loc[:, ['c','d','c']]
Out[6]:
c d c
0 3 4 3
1 7 8 7
2 11 12 11
3 15 16 15
4 19 20 19
或者如果您知道他们的新索引（在新的 DataFrame 中）：
In [7]: pd.read_csv(StringIO(x), skipinitialspace=True, usecols=[2,3,2]).iloc[:, [0,1,0]]
Out[7]:
c d c
0 3 4 3
1 7 8 7
2 11 12 11
3 15 16 15
4 19 20 19
PS 你可能还想了解Pandas boolean indexing
【讨论】：
iloc[:, [2,3,2]] 是一个位置索引器。 : 说取所有行。 [2,3,2] 说要在位置 2、3 和 2 中取列。你也可以这样做 loc[:, ['c', 'd', 'c']]
def _validate_usecols_arg(usecols) 的parsers.py 中解析。此函数返回 set(usecols) 因此设计删除了 dupe 列。如果您考虑一下，这是有道理的，因为一个好的做法应该是解析一次感兴趣的列，然后 reindex_axis(['c', 'd', 'c', axis=1) 进行 I/O 和解析优化。