为何Pandas中筛选返回副本、切片返回视图？

这事儿本质上和Pandas的数据存储逻辑、操作的确定性直接相关，拆解来看：

• 内存连续性是核心
  Pandas的DataFrame底层依赖NumPy数组，而NumPy的视图是基于原数组的连续内存块生成的。切片操作（比如df.iloc[1:5]或df['col1':'col3']）取的是原数据中连续的行/列，完全对应原内存里的一段连续区域，所以直接返回视图——不用复制数据，效率更高。
  但筛选操作（比如df[df['score'] > 90]）是根据条件提取非连续的行/列，这些数据在原内存里是分散的，没法直接映射成原数据的视图，只能把符合条件的数据复制到新的内存块里，所以返回副本。

• 操作的确定性差异
  切片的范围是明确的固定区间，Pandas能100%确定这个操作只是原数据的一个“窗口”，不会改变数据的结构，返回视图不会有意外风险。
  而筛选的结果取决于数据内容，每次执行可能得到不同的行集合，而且用户通常是要对筛选后的数据做独立处理，返回副本能避免误修改原数据——毕竟你改筛选后的副本，不会影响原数据集，更安全。

• 附个直观例子
  切片操作（视图）：

  import pandas as pd
  df = pd.DataFrame({'a': [1,2,3,4], 'b': [5,6,7,8]})
  slice_view = df.iloc[0:2]
  slice_view['a'] = 0  # 修改视图会影响原数据
  print(df)  # 原df的前两行'a'列变成0了
  

  筛选操作（副本）：

  filter_copy = df[df['b'] > 6]
  filter_copy['a'] = 99  # 修改副本不影响原数据
  print(df)  # 原df完全没变
  

内容的提问来源于stack exchange，提问作者variable