pandas数据框视图vs复制，我怎么知道？

Question

之间有什么区别：

大熊猫 df.loc[:,('col_a','col_b')]

和

df.loc[:,['col_a','col_b']]

下面的链接虽然有效，但并未提及后者。都拉一个视图吗？第一个拉视图，第二个拉视图吗？喜欢学习熊猫。

http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-
versus-copy

谢谢

Answer 1

如果您的DataFrame具有简单的列索引，则没有区别。例如，

In [8]: df = pd.DataFrame(np.arange(12).reshape(4,3), columns=list('ABC'))

In [9]: df.loc[:, ['A','B']]
Out[9]: 
   A   B
0  0   1
1  3   4
2  6   7
3  9  10

In [10]: df.loc[:, ('A','B')]
Out[10]: 
   A   B
0  0   1
1  3   4
2  6   7
3  9  10

但是，如果DataFrame具有MultiIndex，则可能会有很大的不同：

df = pd.DataFrame(np.random.randint(10, size=(5,4)),
                  columns=pd.MultiIndex.from_arrays([['foo']*2+['bar']*2,
                                                     list('ABAB')]),
                  index=pd.MultiIndex.from_arrays([['baz']*2+['qux']*3,
                                                   list('CDCDC')]))

#       foo    bar   
#         A  B   A  B
# baz C   7  9   9  9
#     D   7  5   5  4
# qux C   5  0   5  1
#     D   1  7   7  4
#     C   6  4   3  5

In [27]: df.loc[:, ('foo','B')]
Out[27]: 
baz  C    9
     D    5
qux  C    0
     D    7
     C    4
Name: (foo, B), dtype: int64

In [28]: df.loc[:, ['foo','B']]
KeyError: 'MultiIndex Slicing requires the index to be fully lexsorted tuple len (1), lexsort depth (0)'

KeyError表示必须对MultiIndex进行排序。如果我们这样做，那么我们仍然会得到不同的结果：

In [29]: df.sortlevel(axis=1).loc[:, ('foo','B')]
Out[29]: 
baz  C    9
     D    5
qux  C    0
     D    7
     C    4
Name: (foo, B), dtype: int64

In [30]: df.sortlevel(axis=1).loc[:, ['foo','B']]
Out[30]: 
      foo   
        A  B
baz C   7  9
    D   7  5
qux C   5  0
    D   1  7
    C   6  4

这是为什么？df.sortlevel(axis=1).loc[:, ('foo','B')]正在选择第一列级别等于foo，第二列级别等于的列B。

相反，df.sortlevel(axis=1).loc[:, ['foo','B']]正在选择第一列级别为foo或的列B。关于第一列级别，没有B列，但是有两foo列。

我认为Pandas的操作原理是，如果您将其df.loc[...]用作 表达式
，则应假定df.loc可能正在返回副本或视图。Pandas文档未指定您应该遵循的任何规则。但是，如果您 分配 表格

df.loc[...] = value

那么您可以信任熊猫来改变df自己。

该文档之所以警告有关视图和副本之间的区别的原因，是为了使您意识到使用以下形式的链分配的陷阱

df.loc[...][...] = value

在这里，Pandasdf.loc[...]首先评估，它可以是视图或副本。现在，如果它是副本，则

df.loc[...][...] = value

正在更改的某些部分的副本df，因此对其df自身没有影响。更糟的是，由于没有引用副本，因此对副本的影响也会丢失，因此在赋值语句完成后就无法访问副本，因此（至少在CPython中）垃圾收集。

我不知道一种实用 的先验 方法来确定是否df.loc[...]要返回视图或副本。

但是，有一些经验法则可能有助于指导您的直觉（但是请注意，我们在这里讨论实现细节，因此不能保证熊猫将来会以这种方式行事）：

• 如果结果NDFrame无法表示为基础NumPy数组的基本切片，则它可能是一个副本。因此，选择任意的行或列将导致复制。选择顺序行和/或顺序列（可以表示为切片）可以返回视图。
• 如果结果NDFrame具有不同dtypes的列，则df.loc 可能会再次返回一个副本。

然而，有一个简单的方法来确定是否x = df.loc[..]是一个视图 一个postiori
：只需看看是否改变值x影响df。如果是，则为视图，否则x为副本。