python pandas dataframe,是值传递还是传递引用

如果我将数据帧传递给函数并在函数内修改它,它是按值传递还是按引用传递？

我运行以下代码

a = pd.DataFrame({'a':[1,2], 'b':[3,4]})
def letgo(df):
    df = df.drop('b',axis=1)
letgo(a)

函数调用后a的值不会改变.这是否意味着它是传值？

我也试过以下

xx = np.array([[1,2], [3,4]])
def letgo2(x):
    x[1,1] = 100
def letgo3(x):
    x = np.array([[3,3],[3,3]])

事实证明,letgo2()确实改变了xx而letgo3()却没有改变.为什么会这样？

解决方法:

简短的回答是,Python总是按值传递,但每个Python变量实际上都是指向某个对象的指针,因此有时它看起来像是传递引用.

在Python中,每个对象都是可变的或不可变的.例如,列表,dicts,模块和Pandas数据帧是可变的,并且int,字符串和元组是不可变的.可以在内部更改可变对象(例如,将元素添加到列表中),但不可变对象不能.

正如我在开始时所说,您可以将每个Python变量视为指向对象的指针.将变量传递给函数时,函数中的变量(指针)始终是传入的变量(指针)的副本.因此,如果为内部变量分配新内容,则所做的只是更改局部变量指向不同的对象.这不会改变(变异)变量指向的原始对象,也不会使外部变量指向新对象.此时,外部变量仍指向原始对象,但内部变量指向新对象.

如果要更改原始对象(仅适用于可变数据类型),则必须执行一些更改对象的操作,而不必为局部变量分配全新值.这就是为什么letgo()和letgo3()保持外部项不变,但letgo2()改变它.

正如@ursan指出的那样,如果letgo()使用类似这样的东西,那么它会改变(变异)df指向的原始对象,这将改变通过全局变量看到的值：

def letgo(df):
    df.drop('b', axis=1, inplace=True)

a = pd.DataFrame({'a':[1,2], 'b':[3,4]})
letgo(a)  # will alter a

在某些情况下,您可以完全挖空原始变量并使用新数据重新填充,而无需实际执行直接分配,例如：这将改变v指向的原始对象,这将改变以后使用v时看到的数据：

def letgo3(x):
    x[:] = np.array([[3,3],[3,3]])

v = np.empty((2, 2))
letgo3(v)   # will alter v

请注意,我没有直接向x分配内容;我正在为x的整个内部范围分配一些东西.

如果你绝对必须创建一个全新的对象并让它在外部可见(有时候是pandas的情况),你有两个选择. ‘clean’选项只是返回新对象,例如,

def letgo(df):
    df = df.drop('b',axis=1)
    return df

a = pd.DataFrame({'a':[1,2], 'b':[3,4]})
a = letgo(a)

另一个选择是到达函数外部并直接更改全局变量.这会将a更改为指向新对象,并且之后引用的任何函数都将看到该新对象：

def letgo():
    global a
    a = a.drop('b',axis=1)

a = pd.DataFrame({'a':[1,2], 'b':[3,4]})
letgo()   # will alter a!

直接改变全局变量通常是一个坏主意,因为任何读取代码的人都很难弄清楚如何改变. (我通常将全局变量用于脚本中许多函数使用的共享参数,但我不允许它们改变那些全局变量.)

标签：python,pandas,pass-by-reference,pass-by-value
来源： https://codeday.me/bug/20190926/1820911.html