是否需在函数内声明全局DataFrame？代码优化方案咨询

1. 是否需要在每个函数中声明全局df/df_spec？ #

不需要。如果函数只是读取全局的df/df_spec，Python允许直接访问，无需加global声明；但如果函数里要重新赋值（比如df = df.drop_duplicates()），不加global会创建局部变量，不会修改全局的df，这时候才需要global。但不管哪种情况，都不建议依赖全局变量。

2. 这是不是Python数据处理的最佳实践？ #

完全不是。依赖全局变量会踩一堆坑：

• 复用性彻底失效：换个DataFrame处理？要么手动改全局变量名，要么复制函数改变量，完全违背了封装函数的初衷。
• 测试难度飙升：写单元测试时，每次都要先初始化全局df，还要担心测试用例互相污染。
• 可读性极差：别人看你的函数，根本不知道数据来源，排查bug要翻遍代码找全局变量的修改点。
• 意外修改风险高：某个函数不小心改了全局df，所有依赖它的函数都会出问题，调试起来头大。

3. 怎么优化代码？ #

核心思路是：让函数接收DataFrame作为参数，返回处理后的结果，保持函数的纯函数特性（输入确定则输出确定，不依赖外部状态）。

方案1：纯函数式封装 #

把每个操作做成接收DataFrame参数、返回处理后DataFrame的函数：

import pandas as pd

def remove_duplicates(input_df):
    # 可自定义去重规则，这里按id列去重
    return input_df.drop_duplicates(subset="id", keep="first")

def split_array_column(input_df, col_name):
    # 把数组类型的列拆分成多行
    return input_df.explode(col_name, ignore_index=True)

def split_dataframe(input_df, split_col, split_value):
    # 按指定值拆分DataFrame
    df_part1 = input_df[input_df[split_col] == split_value]
    df_part2 = input_df[input_df[split_col] != split_value]
    return df_part1, df_part2

使用时直接传递参数或链式调用：

# 加载原始数据
raw_df = pd.read_csv("your_data.csv")

# 分步处理
deduped_df = remove_duplicates(raw_df)
exploded_df = split_array_column(deduped_df, "tags")
spec_df, other_df = split_dataframe(exploded_df, "type", "spec")

方案2：封装成类（适合完整流程处理） #

如果你的处理是一套连贯流程，可以把DataFrame作为类的实例属性，操作做成类方法：

import pandas as pd

class DataProcessor:
    def __init__(self, input_df):
        self.df = input_df.copy()  # 复制原始数据，避免意外修改

    def remove_duplicates(self, subset="id"):
        self.df = self.df.drop_duplicates(subset=subset, keep="first")
        return self  # 返回self支持链式调用

    def split_array_column(self, col_name):
        self.df = self.df.explode(col_name, ignore_index=True)
        return self

    def split_dataframe(self, split_col, split_value):
        self.df_spec = self.df[self.df[split_col] == split_value]
        self.df_other = self.df[self.df[split_col] != split_value]
        return self.df_spec, self.df_other

使用时：

processor = DataProcessor(raw_df)
processor.remove_duplicates().split_array_column("tags")
spec_df, other_df = processor.split_dataframe("type", "spec")

额外优化点 #

• 保护原始数据：处理时用.copy()创建副本，防止污染原始数据。
• 参数化配置：把去重列、拆分列名做成参数，让函数更灵活通用。
• 类型提示：给函数加上类型提示（比如def remove_duplicates(input_df: pd.DataFrame) -> pd.DataFrame:），提升代码可读性。

内容的提问来源于stack exchange，提问作者user_v27