Python 编辑数据帧'；就地'；在函数中，还是返回已编辑的数据帧？

我目前正在开发一个更新数据帧的函数

我有两种方法可以做到这一点

示例1：就地编辑

创建数据帧

mydf = pd.DataFrame({'name':['jim','john','mary','michael'],
                    'age':[12,46,44,32]})

      name  age
0      jim   12
1     john   46
2     mary   44
3  michael   32

我们将进行以下编辑：

如果名称以

j

开头，请在名称中添加

'smith'

如果年龄大于40岁，则将其乘以2

很好。我没有返回函数中的任何内容，数据帧已编辑：

modify(mydf)

print(mydf)

         name  age
0   jim smith   12
1  john smith   92
2        mary   88
3     michael   32

示例2我也可以通过返回数据帧来实现，如下所示。我的问题是：有什么区别？一种方法比另一种更可取吗

def modify(df):

    for i in range(len(df)):

        if df.loc[i,'age'] > 40:

            df.loc[i,'age'] = df.loc[i,'age']*2

        name = df.loc[i,'name']

        if name[0]=='j':

            name = name+' '+'smith'

        df.loc[i,'name'] = name

    return df

运行该函数：

mydf = modify(mydf)

print(mydf)

         name  age
0   jim smith   12
1  john smith   92
2        mary   88
3     michael   32

两者都很好。是就地编辑还是返回数据帧更好

---

注意：我无法进行矢量化，因为我正在处理的实际函数中使用api。这只是一个玩具的例子

我们通常做

np.where

，这将加快整个过程

df['name']=np.where(df.name.str[0]=='j',df.name+'smith',df.name)
df['age']=np.where(df.age>40,df.age*2,df.age)
df
Out[90]: 
        name  age
0   jimsmith   12
1  johnsmith   92
2       mary   88
3    michael   32

---

我总是选择返回数据帧。如果您计划将输出分配给另一个变量（

df1=my_func（df）

），请使用

df.copy（）

调用该函数，或者确保将

.copy（）

放在函数顶部，以避免意外修改输入

DataFrames

是可变的，因此与列表一样，可以在函数中修改它们而不返回它们。但是，当您使用返回新对象的

pandas

函数而不是修改原始对象时，这可能会导致很多混乱

mydf = pd.DataFrame({'name': ['jim', 'jim'],
                     'age': [12, 46]})

def modify(df):
    df.loc[df.name.eq('jim'), 'age'] = 1000

print(mydf)
#  name  age
#0  jim   12
#1  jim   46

modify(mydf)
print(mydf)
#  name   age
#0  jim  1000
#1  jim  1000

---

好吧，太好了，情况变了。但如果我们继续：

def modify2(df):
    df.drop_duplicates(inplace=True)
    df['age'] = df['age'] + 1

    df = pd.concat([df]*4)
    df['age'] = df['age'] + 17

modify2(mydf)
print(mydf)
#  name   age
#0  jim  1001

---

所以这不太好。基本上，函数只成功地修改了

df

，直到函数的某些部分返回了一个新对象，而不是对原始对象的引用。这是一个非常有问题的问题，需要每个操作都在原地运行，否则就会失败

谢谢，但我正在处理的函数要复杂得多，根据条件等，会有对api的调用<代码>np。其中对于api来说太快。我只是想知道上面哪种方法更有效preferred@SCool我将推荐第二个，另外，您可以将.loc改为.at以加快它的速度谢谢@WeNYoBen我不知道

.at

。很好的解释，谢谢。如果我确实想修改原始数据帧而不是

.copy（）

它该怎么办？例如，在我的函数（不是这里的函数）中，有一个api调用来验证电子邮件地址。如果这是一封有效的电子邮件，我将添加一个额外的列

df['email\u verification']='valid'

。因此，我将包含客户数据和电子邮件的数据框发送到函数中，并附加新数据。我是否仍应使用

.copy（）

？如果数据帧有一百万行呢？我将创建一个庞大的额外数据副本。如果结果是修改原始数据（

df=my_func（df）

），那么就不需要添加

.copy（）

，因为其目的是修改原始数据，所以在返回之前是否意外修改它并不重要。尽管您偶尔会收到一些带有copy的

设置警告。但是是的，我会在函数末尾添加一个
返回df
，然后
df=my_func（df）
def modify2(df):
    df.drop_duplicates(inplace=True)
    df['age'] = df['age'] + 1

    df = pd.concat([df]*4)
    df['age'] = df['age'] + 17

modify2(mydf)
print(mydf)
#  name   age
#0  jim  1001