Python函数中df.drop()与df.filter()失效问题求助

你的代码存在几处关键问题，直接导致操作未生效，以下是具体分析和修正方案：

1. 语法与赋值错误 #

standard_f函数里有两处核心问题：

• for循环与后续代码未换行，会触发Python语法报错
• 新列赋值时缺少=，没有将标准化后的结果存入DataFrame

修正后的函数代码：

from sklearn.preprocessing import StandardScaler

def standard_f(dset):
    scaler = StandardScaler()
    for i in dset.columns:
        # 将标准化结果转为Series后赋值给新列
        dset[i+"_std"] = scaler.fit_transform(dset[i].to_numpy().reshape(-1,1))
    return dset

2. 未接收函数返回值 #

df.drop(["customer_id"], axis=1)会返回删除指定列后的新DataFrame副本，不会修改原始df。如果仅调用standard_f(df.drop(...))但不把结果赋值给变量，原始数据自然不会有变化。正确用法：

# 将处理后的结果存入新变量
processed_df = standard_f(df.drop(["customer_id"], axis=1))
# 若要覆盖原始df，可直接赋值
df = standard_f(df.drop(["customer_id"], axis=1))

额外说明 #

Pandas的drop、filter等操作默认返回新的DataFrame副本，而非原地修改原数据（这是为了避免意外破坏原始数据）。如果一定要原地修改，可使用df.drop(..., inplace=True)，但官方更推荐使用返回值的方式——inplace操作可能导致链式调用出错，且不利于调试。

内容的提问来源于stack exchange，提问作者Nandor