如何逐切片修改Pandas DataFrame并使修改同步至原DataFrame？

你的代码中对sub_sub_df的修改无法同步回原df，核心原因是：布尔索引生成的切片是原DataFrame的副本，而非视图。修改副本的内容不会影响原数据。

解决方案1：直接用.loc定位修改 #

通过.loc链式条件筛选目标行，直接修改原DataFrame的对应列，无需创建中间切片：

import pandas as pd
import numpy as np

df = pd.DataFrame()
df['a'] = np.random.choice([0,1,2,3,4,5], size=100)
df['b'] = np.random.choice([-1,+1], size=100)
df['out'] = np.zeros(shape=(100,))

for i in [0,3,4]:
    for j in [-1,+1]:
        # 直接定位满足a=i且b=j的行，修改out列
        df.loc[(df['a'] == i) & (df['b'] == j), 'out'] = np.random.normal()

df.head()

解决方案2：用groupby分组处理 #

针对这种多维度分组修改的场景，groupby更简洁高效，还能避免循环嵌套的冗余：

import pandas as pd
import numpy as np

df = pd.DataFrame()
df['a'] = np.random.choice([0,1,2,3,4,5], size=100)
df['b'] = np.random.choice([-1,+1], size=100)
df['out'] = np.zeros(shape=(100,))

# 仅筛选a为0、3、4的行，按a和b分组后批量修改
for (a_val, b_val), group in df[df['a'].isin([0,3,4])].groupby(['a', 'b']):
    df.loc[group.index, 'out'] = np.random.normal()

df.head()

关键原理说明 #

Pandas中，df[df.a == i]这类布尔索引操作返回的是原数据的副本（因为无法保证筛选后的行是连续内存块），所以后续对sub_df、sub_sub_df的修改都只作用在副本上，原df不会受到影响。而.loc是直接基于原DataFrame的索引定位行和列，所有修改都会直接同步到原数据中。

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