Pandas 1.5.3浅拷贝疑问：为何df['A']=[...]无法更新副本？

先看问题中的示例代码：

import pandas as pd

df = pd.DataFrame({
    'A': [1,1, 1],
    'B': [2,2, 2]
})
df2 = df.copy(False)  # 浅拷贝
df['A'] = [10,10,10]

实际结果中df2的'A'列仍为[1,1,1]，但预期是同步更新为[10,10,10]；而执行以下操作时，df2能正常同步：

1. df['A'] += [10,10,10]
2. 修改单个值：df['A'][0] = 10

核心原因：浅拷贝共享「列对象引用」，而非强制绑定列的指向 #

Pandas的浅拷贝（deep=False）本质是：创建一个新的DataFrame外壳，但共享原DataFrame中各列的Series对象引用。不同操作对原DataFrame的影响不同，导致拷贝对象是否同步：

• df['A'] = [10,10,10]：替换列引用，而非修改原列内容
  这个操作是给df的'A'列重新赋值了一个全新的Series对象，相当于把df里'A'的指向从旧Series换成了新Series。而df2的'A'列依然指向原来的旧Series，自然看不到新值。

• df['A'] += [10,10,10]：原地修改原Series内容
  +=属于原地（in-place）操作，它不会创建新的Series，而是直接修改原Series内部的数值。因为df2的'A'列和df的'A'列共享同一个Series引用，所以修改后df2会同步看到变化。

• df['A'][0] = 10：直接修改原Series的元素
  这种操作是直接定位到原Series的某个元素并修改值，同样属于原地修改原Series的内容，共享引用的df2自然会同步更新。

简单总结：浅拷贝只保证共享现有列的内容，但当你给原DataFrame的列「换了个新对象」时，拷贝对象不会自动跟着换引用；只有当你修改「原有列对象内部的内容」时，拷贝才会同步。

内容的提问来源于stack exchange，提问作者user8560167