pandas.DataFrame: inplace = True 和赋值同一个变量的区别？

Question

我正在 pandas 数据框中用 np.nan 替换 -np.inf 和 np.inf。

但是，使用 inplace = True，我收到警告：

df.replace([np.inf, -np.inf], np.nan, inplace = True)

SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame

而只是将变量重新分配给自身（不确定这是否是一个聪明的想法），但这似乎 "solve" 问题：

df = df.replace([np.inf, -np.inf], np.nan)

我在另一个问题中读到 python 区分副本和视图，如果不清楚，修改一个变量也会影响另一个变量。

要不要使用inplace？

就像背景一样：我有一个包含股票价格的数据框，但是缺少值。我有一个使用此数据框的函数，但 "cleans" 在处理之前先收集数据。

def func(df):
   df_aux = df.dropna(axis = 1)
   df_aux.replace([np.inf, -np.inf], np.nan, inplace = True)
   df_aux.fillna(method = 'ffill', inplace = True)

   some calculation with df_aux

   return x

Answer 1

你需要copy:

df_aux = df.dropna(axis = 1).copy()

如果您稍后修改 df_aux 中的值，您会发现修改不会传播回原始数据 df，并且 Pandas 会发出警告。

Answer 2

jezrael 的回答只是在假设您要复制的情况下使警告静音。

如果您想修改而不是复制，使用 inplace 是有效的，但您需要始终如一地使用它以避免警告：

def func(df):
   df.dropna(axis = 1, inplace=True)
   df.replace([np.inf, -np.inf], np.nan, inplace=True)
   df.fillna(method = 'ffill', inplace=True)

   # some calculation with df

   return x

pandas.DataFrame: inplace = True 和赋值同一个变量的区别？

pandas.DataFrame: difference between inplace = True and assigning the same variable?

python

function

in-place

variable-assignment

pandas