Pandas中不修改原Series的函数式高效赋值方法问询

当然有，这里有几种函数式、高效且不修改原Series的方法，都是一步生成新对象，符合无副作用的编程风格：

方法一：使用Series.mask() / Series.where() #

这两个是Pandas内置的矢量化方法，返回全新Series，不会改动原数据。mask()会替换满足条件的元素，where()则替换不满足条件的元素，按需选择即可。

import pandas as pd
import numpy as np

t = np.arange(100)
s = pd.Series(t*t, t)

# 定义要修改的索引和对应值
target_idx = [3, 4]
new_values = [44, 55]

# 用mask实现：匹配目标索引时替换为新值
s2 = s.mask(s.index.isin(target_idx), pd.Series(new_values, index=target_idx))

# 用where实现：保留非目标索引的元素，替换目标索引的元素
s3 = s.where(~s.index.isin(target_idx), pd.Series(new_values, index=target_idx))

这种方法是矢量化操作，效率和copy()后修改相当，但更贴合函数式编程的无副作用原则。

方法二：构造新Series合并（combine_first()） #

先创建仅包含待修改索引和值的小Series，再通过combine_first()合并，新值会自动覆盖原Series对应索引的内容：

new_series = pd.Series(new_values, index=target_idx)
s4 = new_series.combine_first(s)

代码简洁直观，适合修改少量索引的场景，同样不会触碰原Series。

方法三：使用Series.replace()（按索引映射替换） #

如果要替换的索引和值可以组成键值对，replace()也能实现，只需构造索引到新值的映射字典：

replace_map = dict(zip(target_idx, new_values))
s5 = s.replace(replace_map)

注意：如果原Series的值和replace_map的键重复，这些值也会被替换。如果要严格按索引替换，可明确指定替换逻辑：

s5 = s.replace(to_replace=replace_map, value=None, inplace=False)

对比原方法 #

上述方法均无需先调用copy()再修改，一步生成新对象，完全避免了对原Series的修改。效率上和复制后修改基本一致，因为都是Pandas内部优化的矢量化操作，远快于循环迭代。

内容的提问来源于stack exchange，提问作者Jason S