熊猫数据框视图与副本，我怎么知道？

Question

两者有什么区别：

熊猫df.loc[:,('col_a','col_b')]

和

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

下面的链接没有提到后者，尽管它有效。两者都拉视图吗？第一个拉视图，第二个拉副本吗？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有MultiIndex的话，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 lexsorted。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

这是为什么呢？ 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B 的列。

相比之下，df.sortlevel(axis=1).loc[:, ['foo','B']] 正在选择第一列级别为foo 或B 的列。对于第一列级别，没有B 列，但有两个foo 列。

我认为 Pandas 的操作原理是，如果您使用 df.loc[...] 作为 表达式，您应该假设df.loc 可能会返回一个副本或一个视图。 Pandas 文档没有指定您应该期望的任何规则。 但是，如果您对表单进行赋值

df.loc[...] = value

那么你就可以相信 Pandas 会改变 df 本身。

文档警告视图和副本之间的区别的原因是为了让您意识到使用表单的链分配的陷阱

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

这里，Pandas 首先评估df.loc[...]，它可能是视图或副本。现在如果是副本，那么

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

正在更改df 的某些部分的副本，因此对df 本身没有影响。雪上加霜的是，对副本的影响也会丢失，因为没有对副本的引用，因此在赋值语句完成后无法访问副本，并且（至少在 CPython 中）因此很快- 待收集垃圾。

---

我不知道确定df.loc[...] 是否会返回视图或副本的实用万无一失的先验方法。

但是，有一些经验法则可能有助于引导您的直觉（但请注意，我们在这里讨论的是实现细节，因此无法保证 Pandas 将来需要这样做）：

• 如果生成的 NDFrame 不能表示为 底层 NumPy 数组，那么它可能是一个副本。因此，选择任意行或列将导致复制。选择连续的行和/或连续的列（可以表示为切片）可能会返回一个视图。
• 如果生成的 NDFrame 具有不同 dtype 的列，则 df.loc 可能会再次返回一份副本。

但是，有一个简单的方法可以确定x = df.loc[..] 是否是一个视图后验：只需查看更改x 中的值是否会影响df。如果是，它是一个视图，如果不是，x 是一个副本。