Pandas数据框架中浅层复制与深层复制的区别

Pandas是Python中非常流行的数据处理库，其中的DataFrame就是一种基于二维表格的数据结构，因此在使用Dataframe时，我们需要掌握深层复制和浅层复制的区别，以避免出现不必要的错误。

深层复制指的就是完全复制一个DataFrame对象到另一个对象中，而新的对象和原始对象完全独立，两者之间没有任何关联性。这意味着我们修改一个对象的值不会影响另一个对象。我们可以通过copy()方法来实现深层复制。

下面是一个示例，我们从原始数据中选取前5行和前两列，并对其进行深层复制：

import pandas as pd

df = pd.read_csv('data.csv')  # 读取原始数据
df_copy = df.iloc[:5,:2].copy()  # 复制前5行和前两列

现在我们分别修改原始对象和复制对象中的某个值：

df.iloc[0,0] = 'hello'
df_copy.iloc[0,0] = 'world'

如果我们现在输出两个对象，我们会发现修改原始对象并不会联动到复制对象上：

print(df)
print(df_copy)

输出结果：

     col1  col2  col3  col4
0   hello     2     3     4
1     foo     5     6     7
2     bar     8     9    10
3    test    11    12    13
4  python    14    15    16
5     NaN    17    18    19
6     NaN    20    21    22
7     NaN    23    24    25

     col1  col2
0   world     2
1     foo     5
2     bar     8
3    test    11
4  python    14

可以看到，修改df对象并没有影响df_copy对象中的任何数据，这就是深层复制的优势。

相反，浅层复制就是将原始DataFrame中的某些内容复制到一个新的DataFrame对象中，但是这里的新对象和原始对象仍然共享内存，因此修改新对象可能会影响原始对象。我们可以使用loc()方法来选择特定的数据进行浅层复制。下面是一个示例：

df_copy = df.loc[:5,['col1','col2']]

现在让我们修改新对象中的某一项：

df_copy.iloc[0,0] = 'world'

如果我们现在打印原始和新对象，我们会发现修改新对象也会修改原始对象：

print(df)
print(df_copy)

输出结果：

     col1   col2  col3  col4
0  world     2     3     4
1     foo     5     6     7
2     bar     8     9    10
3    test    11    12    13
4  python    14    15    16
5     NaN    17    18    19
6     NaN    20    21    22
7     NaN    23    24    25

    col1  col2
0  world     2
1    foo     5
2    bar     8
3   test    11
4   python  14
5   NaN    17

可以看到，修改df_copy之后，原始对象df中的数据也被修改了，这就是浅层复制的缺点。

因此，在使用Pandas数据框架时，我们需要谨慎地选择复制方式，以免出现不必要的错误。