使用pandas时df.copy()结合remove为何会修改原DataFrame？

问题核心出在原地修改列表对象的操作逻辑上：

1. 虽然deepcopy或df.copy(deep=True)会递归复制DataFrame中的列表对象，但你使用new_df['name'][i].remove(j)是对列表进行原地修改，这种操作依赖于对象引用，一旦遍历逻辑出现异常（比如遍历列表的同时删除元素），再加上交互式环境中可能存在的变量复用问题，容易引发引用混淆，导致你误以为原df被修改。
2. 更关键的是，Pandas的索引机制在处理object类型列时，直接原地修改元素可能会绕过深拷贝的隔离，出现意外的关联。

不要原地修改列表，而是通过重新赋值新列表的方式修改副本，彻底切断与原df中列表对象的关联：

方法1：循环构造新列表并赋值 #

根据你想要保留的元素逻辑（原代码最终保留了列表的第2个元素），直接生成新列表并赋值给副本的对应单元格：

import pandas as pd
import copy

data = {"name": [["Sally", "EYE", "FACE"], ["Mary", "John"]],
        "qualified": [True, False]}
df = pd.DataFrame(data)
new_df = copy.deepcopy(df)

# 遍历副本，重新构造name列的列表
for i in range(len(new_df)):
    # 保留列表索引为1的元素（对应原代码的最终结果）
    new_list = [new_df['name'][i][1]]
    # 使用.loc赋值，确保修改的是副本的独立对象
    new_df.loc[i, 'name'] = new_list

print("\nNEWDF: ", new_df)
print("\nDF: ", df)

方法2：用apply生成新列 #

更简洁的方式是用apply直接生成新的name列，避免循环：

import pandas as pd
import copy

data = {"name": [["Sally", "EYE", "FACE"], ["Mary", "John"]],
        "qualified": [True, False]}
df = pd.DataFrame(data)
new_df = copy.deepcopy(df)

# 用apply生成新的name列，保留每个列表的第2个元素
new_df['name'] = new_df['name'].apply(lambda x: [x[1]])

print("\nNEWDF: ", new_df)
print("\nDF: ", df)

这两种方法都会生成全新的列表对象赋值给副本，彻底避免对原df中列表对象的任何修改，确保原df保持初始状态。

内容的提问来源于stack exchange，提问作者korez14