Python Pandas DataFrame copy方法用法及代碼示例

例子

深拷貝

考慮以下 DataFrame ：

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



   A  B
0  1  3
1  2  4

我們執行深度複製來創建 df_other ，並將其第一個值更改為 5 ：

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



   A  B
0  5  3
1  2  4

然後我們檢查原始 DataFrame df 的狀態：

df



   A  B
0  1  3
1  2  4

我們看到原來的DataFrame 完好無損。這是因為我們執行的是深複製，而不是淺複製。

例外

當 DataFrame 的值是 Python 對象時要小心 - 它們的屬性不會遞歸複製，因此在深層複製中修改它們仍然會改變原始 DataFrame 中的對象。

考慮以下 DataFrame ：

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



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

我們製作 df 的新深層副本，並修改列表的第一個值：

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

我們可以看到 df_other 中的更改反映在原始 df 中。反之亦然，即修改 df 中的 Python 列表會改變 df_other 中的 Python 列表。

淺複製

考慮以下 DataFrame ：

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



   A  B
0  1  3
1  2  4

我們執行淺複製來創建 df_other ，並將其第一個值更改為 5：

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



   A  B
0  5  3
1  2  4

然後我們檢查原始 DataFrame df 的狀態：

df



   A  B
0  5  3
1  2  4

我們看到原來的DataFrame也被修改了，盡管我們從未直接修改過它。這是因為我們執行的是淺複製，而不是深複製。

此外，更改 df 也會修改 df_other ：

df.iloc[0,0] = 6
df_other



   A  B
0  6  3
1  2  4