我试图了解如何复制pandas数据框.当我在
python中分配对象的副本时,我不习惯更改影响该对象副本的原始对象.例如:
x = 3
y = x
x = 4
print(y)
3
虽然x随后被更改,但y保持不变.相反,当我将pandas df分配给副本df1后对其进行更改时,副本也会受到原始DataFrame更改的影响.
import pandas as pd
import numpy as np
def minusone(x):
return int(x) - 1
df = pd.DataFrame({"A": [10,20,30,40,50], "B": [20, 30, 10, 40, 50], "C": [32, 234, 23, 23, 42523]})
df1 = df
print(df1['A'])
0 10
1 20
2 30
3 40
4 50
Name: A, dtype: int64
df['A'] = np.vectorize(minusone)(df['A'])
print(df1['A'])
0 9
1 19
2 29
3 39
4 49
Name: A, dtype: int64
解决方案似乎是使用copy.deepcopy()进行深层复制,但是因为这种行为与我在python中习惯的行为不同,我想知道是否有人可以解释这种差异背后的原因是什么,或者它是否是错误.
最佳答案 在第一个示例中,您没有更改x的值.您为x分配了一个新值.
在第二个示例中,您通过更改其中一个列来修改df的值.
你也可以看到内置类型的效果:
>>> x = []
>>> y = x
>>> x.append(1)
>>> y
[1]
这种行为并非特定于熊猫;它是Python的基础.关于同样的问题,这个网站上有很多很多问题,都源于同样的误解.语法
barename = value
与Python中的任何其他构造没有相同的行为.
当使用name [key] = value或name.attr = value或name.methodcall()时,您可能正在改变名称引用的对象的值,您可能正在复制某些内容等.使用name = value(其中name是单个标识符,没有点,没有括号等),你永远不会改变任何东西,也不会复制任何东西.
在你的第一个例子中,你使用了语法x = ….在你的第二个例子中,你使用了语法df [‘A’] = ….这些语法不一样,所以你不能假设它们有相同的行为.
制作副本的方式取决于您尝试复制的对象类型.对于您的情况,请使用df1 = df.copy().