为何修改Pandas DataFrame行数据无法同步更新原DataFrame？

这是预期行为吗？ #

是的，这完全是Pandas的预期行为。你通过iterrows()拿到的row是原DataFrame行数据的副本，不是对原数据的引用，所以修改这个row只会改变副本的值，不会同步到原DataFrame中。

为什么iterrows()返回的是副本而非引用？ #

核心原因是Pandas的底层存储设计：DataFrame是按列存储的，每一列对应一块连续的内存（基于NumPy数组）。而一行数据是跨多个列的，分散在不同的内存块里。如果要返回行的引用，意味着每次修改行元素都要操作多个独立的内存块，这会极大降低性能，违背了Pandas为列级批量操作优化的设计目标。

所以iterrows()会返回一个包含行索引和行数据副本（Series对象）的元组，你对这个Series的修改不会影响原DataFrame的底层数据。

如何让行修改同步到原DataFrame？ #

如果你确实需要行级循环修改（注意：Pandas不推荐行级循环，列级向量操作效率远更高），可以通过索引直接修改原DataFrame：

import pandas as pd

fruit = {"Fruit": ['Apple','Avacado','Banana','Strawberry','Grape'],
         "Color": ['Red','Green','Yellow','Pink','Green'],
         "Price": [45, 90, 60, 37, 49]}

df = pd.DataFrame(fruit)

for index, row in df.iterrows():
    # 直接通过loc修改原DataFrame的对应位置
    df.loc[index, 'Price'] = row['Price'] * 2
    print(df.loc[index, 'Price'])

print(df['Price']) # 现在原DataFrame的Price列已经被更新

当然，对于这种简单的数值翻倍操作，最推荐的还是Pandas的列级向量操作，代码更简洁且效率极高：

df['Price'] = df['Price'] * 2

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