Python中DataFrame.loc与DataFrame.append添加行的差异对比

核心差异 #

1. 废弃状态
   df.append()在pandas 1.4.0版本后已被标记为废弃（deprecated），官方明确推荐使用pd.concat()或df.loc的方式替代，这是两者最关键的区别。

2. 操作特性

   • df.loc[len(df.index)] = new_object：属于**原地修改（in-place）**操作，直接在原DataFrame末尾添加新行，不会返回新对象，原数据会被直接改变。
   • df.append(new_object)：属于非原地操作，不会修改原DataFrame，而是返回一个包含新行的全新DataFrame，原数据保持不变。

3. 性能与批量操作表现

   • 单条添加时，两者性能差异不大；但如果是循环多次添加行，两种方式效率都很低——df.loc每次修改都会触发内存重分配，df.append每次生成新对象也会消耗资源。这种场景下官方建议先将所有新行整理成列表或小型DataFrame，再用pd.concat([原df, 新df])一次性合并，性能会大幅提升。

4. 参数灵活性

   • df.append()支持直接传入单个行对象（如Series、字典）、多行组成的列表，甚至另一个DataFrame，还能通过ignore_index=True参数自动重置索引；
   • df.loc的方式需要手动指定索引位置（len(df.index)对应末尾），添加多行时需手动处理索引或循环操作，灵活性稍弱，但胜在直接修改原数据的特性。

适用场景 #

• 若需直接修改原DataFrame，且仅添加少量单行，优先用df.loc[len(df.index)] = new_object；
• 若需保留原DataFrame、不修改原数据，建议直接用pd.concat()替代df.append()（毕竟append已被废弃）；
• 批量添加行的场景，统一使用pd.concat()是最优选择，兼顾性能与规范性。

内容的提问来源于stack exchange，提问作者MacroProcessor