Python 创建和修改空数据帧会导致不可预测的行为

我试图理解为什么我的代码（初始化并修改Pandas数据帧中的一个新列）行为不稳定。我的代码如下：

pos = df['sign'] == 'Pos'
neg = df['sign'] == 'Neg'
df['signed_val'] = 0
df['signed_val'][pos] =  df['abs_val'][pos]
df['signed_val'][neg] = -df['abs_val'][neg]
df['pos_part'] = (df['abs_val']+df['signed_val'])/2

这里，

df

是一个现有的数据框，其中包含标记为“abs_val”和“sign”的列。我的目标是创建一个新列，其中有一行“signed_val”，其中包含一个签名版本的“abs_val”

当我运行此代码时，会发生以下两种情况之一。首先，如果我将整个代码块复制并粘贴到python解释器中，

df['signed_val']

将用全零填充。或者，如果我一次复制并粘贴一行到我的python解释器中，

df['signed_val']

显示为df['abs_val']的签名版本

显然，这种行为是不可接受的。我是做错了什么，还是这是一个错误

更新：

当最后一行打印出签名版本的

df['abs\u val']

时，以下代码似乎可以预期地运行：

pos = df['sign'] == 'Pos'
neg = df['sign'] == 'Neg'
df['signed_val'] = 0
df['signed_val'][pos] =  df['abs_val'][pos]
df['signed_val'][neg] = -df['abs_val'][neg]
df['signed_val']

但是，一旦运行另一个命令，

df['signed_val']

就会打印出一个零向量。下面的第三段代码可能会以可预测的方式运行，尽管我还没有对其进行过广泛的测试：

pos = df['sign'] == 'Pos'
neg = df['sign'] == 'Neg'
df['signed_val'] = numpy.nan
df['signed_val'][pos] =  df['abs_val'][pos]
df['signed_val'][neg] = -df['abs_val'][neg]
df['pos_part'] = (df['abs_val']+df['signed_val'])/2

但是，第一个代码块发生了什么

---

我正在使用pandas版本0.13.1和numpy版本1.8.0。

您正在执行链式作业，请参见此处：

在单个数据类型的帧上，这将始终有效；通常，在多数据类型的帧上，它不会

---

相反，使用索引器

loc/ix

来可靠地设置值。

您正在进行链式赋值，请参见此处：

在单个数据类型的帧上，这将始终有效；通常，在多数据类型的帧上，它不会

---

相反，使用索引器

loc/ix

来可靠地设置值。

您正在进行链式赋值，请参见此处：

在单个数据类型的帧上，这将始终有效；通常，在多数据类型的帧上，它不会

---

相反，使用索引器

loc/ix

来可靠地设置值。

您正在进行链式赋值，请参见此处：

在单个数据类型的帧上，这将始终有效；通常，在多数据类型的帧上，它不会

---

相反，使用索引器

loc/ix

来可靠地设置值。

我很好奇，我没有看到第一个和第二个代码块之间的差异，为什么它们的行为不同？我遗漏了什么吗？我的意思是代码

df['signed\u val'][pos]=df['abs\u val'][pos]

即使在第一个代码块中也应该工作，因为

df['signed\u val']

是一个引用，而不是副本。为什么OP说它不起作用？第一个代码块和第二个代码块之间似乎没有什么不同（除了代码块1中的最后一行）。您忽略了这一点，它只在一个数据类型的情况下工作（很明显，这不是一个数据类型的情况）。这可以复制一份；这取决于numpy是否创建视图。阅读链接索引部分。它不是python案例中的引用。这将通过pandas

\uuuu getitem\uuuu

完成。这就是为什么链式索引是隐蔽的，永远不应该使用。（也不清楚这里使用的是哪一个版本的pandas；最近的版本确实在某些情况下提供了警告）。我很好奇，我没有看到第一个和第二个代码块之间的区别，为什么它们的行为不同？我遗漏了什么吗？我的意思是代码

df['signed\u val'][pos]=df['abs\u val'][pos]

即使在第一个代码块中也应该工作，因为

df['signed\u val']

是一个引用，而不是副本。为什么OP说它不起作用？第一个代码块和第二个代码块之间似乎没有什么不同（除了代码块1中的最后一行）。您忽略了这一点，它只在一个数据类型的情况下工作（很明显，这不是一个数据类型的情况）。这可以复制一份；这取决于numpy是否创建视图。阅读链接索引部分。它不是python案例中的引用。这将通过pandas

\uuuu getitem\uuuu

完成。这就是为什么链式索引是隐蔽的，永远不应该使用。（也不清楚这里使用的是哪一个版本的pandas；最近的版本确实在某些情况下提供了警告）。我很好奇，我没有看到第一个和第二个代码块之间的区别，为什么它们的行为不同？我遗漏了什么吗？我的意思是代码

df['signed\u val'][pos]=df['abs\u val'][pos]

即使在第一个代码块中也应该工作，因为

df['signed\u val']

是一个引用，而不是副本。为什么OP说它不起作用？第一个代码块和第二个代码块之间似乎没有什么不同（除了代码块1中的最后一行）。您忽略了这一点，它只在一个数据类型的情况下工作（很明显，这不是一个数据类型的情况）。这可以复制一份；这取决于numpy是否创建视图。阅读链接索引部分。它不是python案例中的引用。这将通过pandas

\uuuu getitem\uuuu

完成。这就是为什么链式索引是隐蔽的，永远不应该使用。（也不清楚这里使用的是哪一个版本的pandas；最近的版本确实在某些情况下提供了警告）。我很好奇，我没有看到第一个和第二个代码块之间的区别，为什么它们的行为不同？我遗漏了什么吗？我的意思是代码

df['signed\u val'][pos]=df['abs\u val'][pos]

即使在第一个代码块中也应该工作，因为

df['signed\u val']

是一个引用，而不是副本。为什么OP说它不起作用？第一个代码块和第二个代码块之间似乎没有什么不同（除了代码块1中的最后一行）。您忽略了这一点，它只在一个数据类型的情况下工作（很明显，这不是一个数据类型的情况）。这可以复制一份；这取决于numpy是否创建视图。阅读链接索引部分。这不是我的推荐信