将参数errors添加到DataFrame.drop：

错误：{“忽略”，“提高”}，默认值为“提高”

如果为“ignore”，则隐藏错误，并且仅删除现有标签。

df = df.drop(['row_num','start_date','end_date','symbol'], axis=1, errors='ignore')

样品：

df = pd.DataFrame({'row_num':[1,2], 'w':[3,4]})
df = df.drop(['row_num','start_date','end_date','symbol'], axis=1, errors='ignore')
print (df)
   w
0  3
1  4

只要用Pandas滤镜，Python的方式

奇怪的是，没有答案使用pandas Dataframe filter method

thisFilter = df.filter(drop_list)
df.drop(thisFilter, inplace=True, axis=1)

这将从df中存在的drop_list创建筛选器，然后从axis=1上的dfinplace删除thisFilter

例如，删除与drop_list匹配的列，如果这些列不存在，则不出错

在我的测试中，下面的答案至少和给出的任何一个答案一样快：

candidates=['row_num','start_date','end_date','symbol']
df = df.drop([x for x in candidates if x in df.columns], axis=1)

它具有可读性的优点，并且（对代码进行了一点调整）能够准确记录哪些列存在/何时删除。
这可能比先前的解决方案更可取的一些原因是：

• 循环遍历这些项并单独删除每一列（如果存在）是可行的，但速度相当慢（参见下面的基准测试）。
• jezrael的回答非常好，但是一开始让我很紧张（忽略错误感觉很糟糕!）.进一步查看文档，听起来好像没什么问题，只是忽略了不存在的列的错误（不是其他可能不想忽略的错误）.我的解决方案可能更具可读性，特别是对于那些不太熟悉panda中可选kwargs的人.

基准测试结果：

基准测试的代码（this question中给出了如何创建此类基准测试的答案）：

import math
from simple_benchmark import benchmark
import pandas as pd

# setting up the toy df:
def df_creator(length):
    c1=list(range(0,10))
    c2=list('a,b,c,d,e'.split(','))
    c3=list(range(0,5))
    c4=[True,False]
    lists=[c1,c2,c3,c4]
    df=pd.DataFrame()
    count=0
    for x in lists:
        count+=1
        df['col'+str(count)]=x*math.floor(length/len(x))
    return df

# setting up benchmark test:
def list_comp(df,candidates=['col1','col2','col5','col8']):
    return df.drop([x for x in candidates if x in df.columns], axis=1)

def looper(df,candidates=['col1','col2','col5','col8']):
    for col in candidates:
        if col in df.columns:
            out = df.drop(columns=col, axis=1)
    return out

def ignore_error(df,candidates=['col1','col2','col5','col8']):
    return df.drop(candidates, axis=1, errors='ignore')

functions=[list_comp,looper,ignore_error]

args={n : df_creator(n) for n in [10,100,1000,10000,100000]}
argname='df_length'
b=benchmark(functions,args,argname)
b.plot()

我不得不这么做我是这样做：

# Drop these columns if they exist
cols = ['Billing Address Street 1', 'Billing Address Street 2','Billing Company']
for col in cols:
    if col in df.columns:
        df = df.drop(columns=col, axis=1)

也许不是最好的方法，但它达到了它的目的。

x = ['row_num','start_date','end_date','symbol']

要检查列是否存在，可以执行以下操作：

for i in x:
    if i in df:
        df = df.drop(['row_num','start_date','end_date','symbol'], axis=1).fillna(0)

或

for i in x:
    if i in df.columns:
        df = df.drop(['row_num','start_date','end_date','symbol'], axis=1).fillna(0)

使用df.columns.intersection表示速度

df.columns.intersection是一个内置方法，用于排除缺少的列：

existing_cols = df.columns.intersection(["foo", "bar", "baz"])
df = df.drop(columns=existing_cols)

通过df.columns.intersection删除非常快，即使丢失的列数增加也是如此：

定时数据：

df = pd.DataFrame(np.random.random((10_000, 200)), columns=range(-200, 0))
cols = range(-100, n)  # 100 dropped columns, n missing columns