Python Pandas DataFrame copy方法用法及代码示例

例子

深拷贝

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[1,2], "B":[3,4]})
df



   A  B
0  1  3
1  2  4

我们执行深度复制来创建 df_other ，并将其第一个值更改为 5 ：

df_other = df.copy()   # deep=True
df_other.iloc[0,0] = 5
df_other



   A  B
0  5  3
1  2  4

然后我们检查原始 DataFrame df 的状态：

df



   A  B
0  1  3
1  2  4

我们看到原来的DataFrame 完好无损。这是因为我们执行的是深复制，而不是浅复制。

例外

当 DataFrame 的值是 Python 对象时要小心 - 它们的属性不会递归复制，因此在深层复制中修改它们仍然会改变原始 DataFrame 中的对象。

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[[1,2],3], "B":[4,5]})
df



   A       B
0  [1,2]   4
1  3       5

我们制作 df 的新深层副本，并修改列表的第一个值：

df_other = df.copy(deep=True)
df_other.iloc[0,0][0] = 9      # Modify the first value in the Python list
df



   A       B
0  [9,2]   4
1  3       5

我们可以看到 df_other 中的更改反映在原始 df 中。反之亦然，即修改 df 中的 Python 列表会改变 df_other 中的 Python 列表。

浅复制

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[1,2], "B":[3,4]})
df



   A  B
0  1  3
1  2  4

我们执行浅复制来创建 df_other ，并将其第一个值更改为 5：

df_other = df.copy(deep=False)
df_other.iloc[0,0] = 5
df_other



   A  B
0  5  3
1  2  4

然后我们检查原始 DataFrame df 的状态：

df



   A  B
0  5  3
1  2  4

我们看到原来的DataFrame也被修改了，尽管我们从未直接修改过它。这是因为我们执行的是浅复制，而不是深复制。

此外，更改 df 也会修改 df_other ：

df.iloc[0,0] = 6
df_other



   A  B
0  6  3
1  2  4