在使用Pandas的Python中，我有一个函数来更改DataFrame的索引。但是，它也会更改原始数据帧的索引

我有以下

analysis.py

文件。功能

group\u analysis

通过

df\u input

的

Count

列更改

df\u input

的日期时间索引

#analysis.py
作为pd进口熊猫
def组分析（df组输入）：
df_input.index=df_input.index-pd.to_timedelta（df_input.Count，单位为“天”）
df_output=df_input.sort_index（）
返回数据输出
def测试（df）：
df=df+1
返回df

我有一个如下的数据帧

x=pd.DataFrame（np.arange（1,14），index=pd.date\u范围（'2020-01-01'，句点=13，频率=D'），列=['Count']

当我运行以下代码时

导入分析
y=分析。组分析（x）

x和y的日期时间索引都已更改（因此，

x.equals（y）

为

True

）。为什么

group\u analysis

同时更改输入和输出日期时间索引？我怎样才能只更改

y

（而不是

x

）的日期时间索引

但是，当运行以下代码时，

x

不会改变（因此，

x.equals（y）

是

True

）

---

编辑：添加了analysis.test（df）。

此行为的原因是，在调用

group_analysis

时，您没有将数据帧的副本传递给函数，而是传递了对计算机内存中原始数据的引用。因此，如果修改其后面的数据，原始数据（相同）也将被修改

有关非常好的解释，请参阅

要防止出现这种情况，请在输入函数时创建数据副本：

...
def group_analysis(df):
    df_input = df.copy()
    ...

---

当您将数据帧传递给函数时，它将传递数据帧引用。因此，对数据帧所做的任何就地更改都将反映在传递的数据帧中

但是对于

test

函数，加法返回内存中数据帧的副本。我怎么知道？只需在操作前后打印变量的内存引用id

>>> def test(df):
...     print(id(df))
...     df = df + 1
...     print(id(df))
...     return df
... 
>>> test(df)
139994174011920
139993943207568

---

注意到变化了吗？这意味着其引用已更改。因此不会影响原始数据帧。

尝试

y=analysis.group\u analysis（x.copy（））

？这是因为您正在将原始数据帧的引用传递给函数@大卫78谢谢你的帮助：）。当另一个函数只更改x的值，而不更改x的datetime索引时，我没有这个问题。例如，def test（）：df=df+1返回df。是否只有当函数更改数据帧的索引时才会出现问题？文件的第一行指定给作为输入数据帧属性的索引。因此不会创建数据帧本身的副本。进行添加时，它会在添加后返回数据帧的副本。为了演示这一点，请尝试使用一个dataframe函数，将inplace参数设置为true。你会注意到变化的@大卫78谢谢你的帮助。请找到编辑过的原始帖子，在那里我添加了一个新功能“测试（df）”。我不清楚为什么在“测试（df）”中找不到该问题。感谢您的帮助：）。当另一个函数只更改x的值，而不更改x的datetime索引时，我没有这个问题。例如，def test（）：df=df+1返回df。是否只有当函数改变数据帧的索引时才会出现问题？我相信这取决于变量的类型。使用简单类型时，不会修改调用变量。虽然不确定您的示例是什么，但是

df

应该是测试的参数吗？谢谢您的帮助。请找到编辑过的原始帖子，在那里我添加了一个新功能“测试（df）”。我不清楚为什么在“测试（df）”中找不到该问题。感谢您的澄清！！。但我不知道如何找出哪个返回数据帧副本，哪个不返回。有没有具体的规定？“group_analysis（df_input）”的第一行将“pd.减去_timedelta（df_input.Count，unit='days'），但它不返回副本。您为什么想知道这一点？Python总是作为引用传递到函数中。除非您希望更改原始数据帧，否则将传递一个副本。每个函数的行为都不同。正如我所说，你需要考虑一下推荐人。谢谢你的帮助。我有许多以数据帧作为输入的函数。因为我过去从未考虑过这个问题，所以我的其他函数都是在没有考虑它的情况下生成的。因此，我想知道函数在什么情况下不返回副本来查看其他函数。再次感谢。我们也有很多基于数据帧转换的函数。但我们在流程开始时复制了一份。

...
def group_analysis(df):
    df_input = df.copy()
    ...

>>> def test(df):
...     print(id(df))
...     df = df + 1
...     print(id(df))
...     return df
... 
>>> test(df)
139994174011920
139993943207568