Python 查询pandas copy（）方法

修改

df1

时，不修改对象

sf2

。我期待它，因为我使用了

copy（）

---

但是为什么在这种情况下，

s2

也发生了变化？我不希望对

s2

进行任何更改，因为我使用了

copy（）

来创建它，但出乎意料的是，在修改

s1

时，对象

s2

也被修改了。我不明白为什么。

之所以发生这种情况，是因为您的

pd.Series

是dtype=object，所以它实际上复制了一系列对python对象的引用。注意：

s1=pd.Series([[1,2],[3,4]])
s2=s1.copy()
s1[0][0]=0 #modifying the 1st element of list [1,2]
print s1
print s2

由于

list

对象是可变的，因此操作：

In [1]: import pandas as pd

In [2]: s1=pd.Series([[1,2],[3,4]])
   ...:

In [3]: s1
Out[3]:
0    [1, 2]
1    [3, 4]
dtype: object

In [4]: s1.dtype
Out[4]: dtype('O')

就地修改列表

这种行为是一种“浅复制”，通常情况下，它与数据结构无关，因为通常情况下，您将使用数字数据类型，在这种情况下浅复制不适用，或者如果您使用对象数据类型，则将使用python字符串对象，这些对象是不可变的

注意，

pandas

容器具有不同的深度副本概念。请注意，

.copy

方法有一个默认值

deep=True

，但从文档中可以看出：

当

deep=True

（默认值）时，将使用副本创建一个新对象 调用对象的数据和索引。对数据的修改或 副本的索引不会反映在原始对象中（请参见 注释如下）

当

deep=False

时，将创建一个新对象，而不复制 调用对象的数据或索引（仅引用数据和索引 （已复制）。原始数据的任何更改都将反映出来 在浅拷贝中（反之亦然）。。。当

deep=True

时，数据为 已复制但实际的Python对象不会被递归复制，仅 对对象的引用。这与中的

copy.deepcopy

形成对比 标准库，递归复制对象数据（请参见 下面的例子）

---

同样，这是因为

pandas

是为使用数字数据类型而设计的，内置了对

str

对象的支持。

pd.Series

对象的

pd.Series

列表确实非常奇怪，对于

pd.Series

来说，这并不是一个好的用例。当您复制

s1

对象时，它实际上创建了一个新的、单独的Series对象，并将其引用到

s2

——正如您所期望的那样。但是，

s1

Series对象中的两个列表没有与序列重复。它只是复制了他们的参考资料

有关了解Python

参考

和

对象

之间区别的良好起点，请参阅

简单地说，Python

变量

与实际的Python对象不同。变量（如

s1

和

s2

）只是指向实际对象所在内存位置的引用

由于原始序列对象

s1

包含两个列表引用，而不是两个列表对象，因此仅复制内部列表对象的

引用

（而不是列表对象本身）

输出：

import pandas as pd

s1=pd.Series([[1,2],[3,4]])
# The oject referenced by variable "s1" has a memory address
print ("s1:", hex(id(s1)))
s2=s1.copy()
# The oject referenced by variable "s2" has a different memory address
print ("s2:", hex(id(s2)))
# However when you copied "s1", the 
# list items within only had their references copied
# So "s1[0]" and "s2[0]" are simply references to the same object
print ("s1[0]:", hex(id(s1[0])))
print ("s2[0]:", hex(id(s2[0])))

@juanpa.arrivillaga的回答是正确的，你需要使用

s1[0][0]=0

import pandas as pd

s1=pd.Series([[1,2],[3,4]])
# The oject referenced by variable "s1" has a memory address
print ("s1:", hex(id(s1)))
s2=s1.copy()
# The oject referenced by variable "s2" has a different memory address
print ("s2:", hex(id(s2)))
# However when you copied "s1", the 
# list items within only had their references copied
# So "s1[0]" and "s2[0]" are simply references to the same object
print ("s1[0]:", hex(id(s1[0])))
print ("s2[0]:", hex(id(s2[0])))

s1: 0x7fcdf5678898 # A different address form s2
s2: 0x7fcddee25240 # A different address form s1
s1[0]: 0x7fcdddf9f6c8 # The same address for the first list
s2[0]: 0x7fcdddf9f6c8 # The same address for the first list