如何将全局DataFrame作为类初始化参数实现多类实例共同修改

代码无法修改全局DataFrame的核心原因是pd.concat()不会原地修改传入的原DataFrame，每次执行都会返回一个全新的DataFrame对象。你在add_row方法中写self.history = pd.concat([self.history, pd.DataFrame([row])])时，只是把当前实例的self.history属性重新指向了新生成的对象，和最初传入的全局history_1完全断开了引用关联，所以全局变量始终是初始化时的空DataFrame。
你希望初始化时传入共享对象、避免每次调用方法重复传参的思路完全合理，属于依赖注入的常规写法，只需要调整DataFrame的修改逻辑即可，以下是三种可直接落地的方案：

如果不需要复杂的拼接逻辑，直接在原DataFrame对象上做行插入，全程不重新绑定引用，所有持有对象引用的实例都会同步修改：

import pandas as pd

# 提前定义列名避免pandas告警
history_1 = pd.DataFrame(columns=['r1', 'r2', 'r3'])

class ClassA:
    def __init__(self, history):
        self.history = history

    def add_row(self, row):
        # 直接在原对象上追加行，不生成新DataFrame
        self.history.loc[len(self.history)] = row


class ClassB:
    def __init__(self, history):
        self.history = history

    def add_row(self, row):
        self.history.loc[len(self.history)] = row


class_a = ClassA(history_1)
new_row = {'r1':1, 'r2':2, 'r3':3}
class_a.add_row(new_row)

class_b = ClassB(history_1)
new_row = {'r1':1, 'r2':2, 'r3':3}
class_b.add_row(new_row)

# 直接打印history_1即可看到2条新增数据

注意：该写法要求传入的行字典key和DataFrame列名完全匹配，否则会新增冗余列。

如果必须使用pd.concat（比如需要兼容批量拼接多行、按条件拼接等复杂场景），可以把DataFrame放在字典、列表这类可变容器中传入。可变容器的内存地址不会因为内部值变化而改变，所有持有容器引用的实例都能拿到最新的DataFrame：

import pandas as pd

# 用字典作为共享容器存储DataFrame
history_store = {"df": pd.DataFrame(columns=['r1', 'r2', 'r3'])}

class ClassA:
    def __init__(self, store):
        self.store = store

    def add_row(self, row):
        # 修改容器内的df值，不改变容器本身的引用
        self.store["df"] = pd.concat(
            [self.store["df"], pd.DataFrame([row])],
            ignore_index=True
        )


class ClassB:
    def __init__(self, store):
        self.store = store

    def add_row(self, row):
        self.store["df"] = pd.concat(
            [self.store["df"], pd.DataFrame([row])],
            ignore_index=True
        )


class_a = ClassA(history_store)
new_row = {'r1':1, 'r2':2, 'r3':3}
class_a.add_row(new_row)

class_b = ClassB(history_store)
new_row = {'r1':1, 'r2':2, 'r3':3}
class_b.add_row(new_row)

# 取数时访问history_store["df"]即可拿到完整数据

如果后续还要扩展数据校验、操作日志、持久化存储等逻辑，最好把DataFrame的操作封装到单独的管理类中，所有业务类只依赖管理类实例，避免直接操作裸DataFrame，可维护性更强：

import pandas as pd

class HistoryManager:
    def __init__(self):
        # 管理类内部持有唯一的DataFrame实例
        self.df = pd.DataFrame(columns=['r1', 'r2', 'r3'])

    def add_row(self, row):
        # 统一封装追加逻辑，可按需加字段校验、重复值判断、日志等
        self.df = pd.concat(
            [self.df, pd.DataFrame([row])],
            ignore_index=True
        )

    # 可按需扩展查询、清空、批量导入、导出等通用方法
    def get_all(self):
        # 返回副本避免外部逻辑误改内部数据
        return self.df.copy()

# 全局初始化唯一的管理器实例
history_mgr = HistoryManager()

class ClassA:
    def __init__(self, mgr):
        self.mgr = mgr

    def add_row(self, row):
        self.mgr.add_row(row)


class ClassB:
    def __init__(self, mgr):
        self.mgr = mgr

    def add_row(self, row):
        self.mgr.add_row(row)


class_a = ClassA(history_mgr)
new_row = {'r1':1, 'r2':2, 'r3':3}
class_a.add_row(new_row)

class_b = ClassB(history_mgr)
new_row = {'r1':1, 'r2':2, 'r3':3}
class_b.add_row(new_row)

# 取数时调用history_mgr.get_all()即可

内容的提问来源于stack exchange，提问作者noskule