Jupyter重复执行单元格后统计值异常及原数值保留方法咨询

假设我有一个含数百万行的大型df，需替换某列中的特殊字符ä和ö，执行如下代码：

print(df['Column'].str.contains('ä|ö', regex=True).sum())
umlaut_dict = {'ä':'ae','ö':'oe'}
df.Column.replace(umlaut_dict, regex=True, inplace=True)
print(df['Column'].str.contains('ä|ö', regex=True).sum())

首次执行正常，先显示需替换的字符数量，再确认全部替换完成；但第二次执行该单元格时，两次打印结果均为0。我的问题是：

1. 这种情况是否需要担忧？Jupyter Notebook是否本就应仅运行一次？
2. 能否不创建df副本的前提下保留初始统计的原数值？

问题1解答 #

• 完全不用担忧，这是Jupyter Notebook的正常特性。因为你用了inplace=True，第一次执行就直接修改了内存里的原df，第二次运行时，df里已经没有ä和ö了，所以两次打印都是0。Jupyter的单元格可以重复运行，但每次运行都是基于当前内存中的数据状态，不是回到脚本初始状态。如果要重复验证替换逻辑，要么重新加载原始数据，要么先把原始df备份好再操作。

问题2解答 #

• 可以做到，不用创建整个df的副本，只需要提前把初始统计值存到一个变量里就行。修改代码如下：

# 先把初始统计值存下来
initial_count = df['Column'].str.contains('ä|ö', regex=True).sum()
print(initial_count)
umlaut_dict = {'ä':'ae','ö':'oe'}
df.Column.replace(umlaut_dict, regex=True, inplace=True)
# 验证替换后的数量
print(df['Column'].str.contains('ä|ö', regex=True).sum())
# 之后随时可以调用initial_count查看原数值
# print(initial_count)

这样不管你后续怎么修改df，initial_count里都保留着第一次统计的原始数值，而且没有复制整个大df，不会占用额外的大量内存。

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