Pandas：子索引数据框：副本与视图的区别

在本文中，我们将介绍Pandas数据分析库中子索引数据框时副本与视图的区别。通常情况下，用户在子索引数据框时应了解副本与视图的区别以免出现预想不到的结果。下面，我们将对副本和视图分别进行具体介绍。

副本

当用户使用DataFrame.copy()方法或使用切片时，副本就会被创建出来。因此，当修改副本时，原始数据将不会发生变化。下面是一个示例：

import pandas as pd

data = {'Name': ['Alex', 'John', 'Alice', 'Will'],
        'Age': [24, 25, 22, 26],
        'Country': ['US', 'UK', 'China', 'Canada']}
df = pd.DataFrame(data)

df_copy = df.copy()  # 创建副本

df_copy.loc[1, 'Age'] = 30  # 修改副本

print(df)  # 结果不受影响
print(df_copy)  # 副本被修改

上述代码中，我们先创建了一个原始数据框df，然后使用copy()方法创建了一个副本df_copy，并将该副本的第二行中’Ages’列的数据从25修改为了30。运行结果显示，原始数据框df并没有被修改，而副本df_copy被修改了。这就是副本的作用。

视图

当用户使用切片、布尔索引或使用query方法时，视图就会被创建出来。与副本不同的是，当用户修改视图时，原始数据也会发生变化。下面是一个示例：

import pandas as pd

data = {'Name': ['Alex', 'John', 'Alice', 'Will'],
        'Age': [24, 25, 22, 26],
        'Country': ['US', 'UK', 'China', 'Canada']}
df = pd.DataFrame(data)

df_view = df[df['Age'] > 24]  # 创建视图

df_view.loc[1, 'Name'] = 'Mike'  # 修改视图

print(df)  # 结果被修改了
print(df_view)  # 结果也发生了变化

上述代码中，我们通过布尔索引创建了一个视图df_view，该视图只包含原始数据中’Ages’>24的数据行。然后，我们修改了该视图的第二行中’Name’列的数据，将其从’John’修改为’Mike’。运行结果显示，原始数据框df和视图df_view都被修改了。这就是视图的作用。