Pandas中对正负值分别排名时意外修改原列的问题排查

问题根源 #

问题出在这行代码：pc = df.col.values

Pandas的Series.values返回的是原数据的numpy数组视图，并非独立副本。这意味着pc和df['col']共享同一块内存空间，你修改pc里的元素时，原DataFrame的col列会被同步改动。

修复方案 #

方案1：创建独立数组副本

给values加.copy()，让pc成为独立数组，修改它就不会影响原col列：

import pandas as pd
import numpy as np
import random

data = {'col':[random.randint(-1000, 1000) for _ in range(100)]}
df = pd.DataFrame(data)

pos_idx = np.where(df.col > 0)[0]
neg_idx = np.where(df.col < 0)[0]
p = df[df.col > 0].col.values
n = df[df.col < 0].col.values
p_rank = np.round(p.argsort().argsort()/(len(p)-1)*100,1)
n_rank = np.round((n*-1).argsort().argsort()/(len(n)-1)*100,1)
# 新增.copy()创建独立副本
pc = df.col.values.copy()
pc[pc > 0] = p_rank
pc[pc < 0] = n_rank
df['ranking'] = pc

方案2：用Pandas原生方法更优雅实现

直接用rank方法结合条件判断，避免手动操作numpy数组，更符合Pandas风格，还能保护原数据：

import pandas as pd
import numpy as np
import random

data = {'col':[random.randint(-1000, 1000) for _ in range(100)]}
df = pd.DataFrame(data)

# 正数按升序排名归一化，负数按降序排名归一化，0设为NaN
df['ranking'] = df.apply(
    lambda x: 
        np.round(df[df['col']>0]['col'].rank(pct=True).loc[x.name]*100, 1) 
        if x['col']>0 
        else (np.round(df[df['col']<0]['col'].rank(ascending=False, pct=True).loc[x.name]*100,1) 
              if x['col']<0 
              else np.nan),
    axis=1
)

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