如何修改字典内的dataframe内容，同时保留原dataframe的实例引用

实现方法 #

你需要原地修改df实例的内部数据，不要直接替换变量引用，具体操作如下： #

核心实现代码 #

你可以使用pandas的切片赋值语法原地修改数据，该操作不会改变df的内存地址（即实例ID保持不变）：

# 原地替换df的全部数据，实例ID不变
df[:] = new_df.copy()

原操作问题说明 #

你之前执行my_dfs['first'] = new_df.copy()时，只是修改了字典my_dfs中first键对应的引用指向，原df实例本身没有任何修改，因此打印df时还是旧数据。
而使用切片赋值df[:] = new_df时，是直接修改df实例内部存储的数据，原实例ID不会发生变化，同时字典中my_dfs['first']因为原本就指向df实例，也会同步更新为新内容。 #

验证示例 #

你可以通过以下代码验证效果：

import pandas as pd

df = pd.read_csv('my-data.csv')
new_df = pd.read_csv('new-data.csv')
my_dfs = {'first': df }

# 打印修改前的实例ID
print("修改前df的ID：", id(df))
# 打印修改前df的内容
print("修改前df内容：\n", df)

# 原地修改df内容
df[:] = new_df.copy()

# 打印修改后的实例ID，和修改前完全一致
print("修改后df的ID：", id(df))
# 验证内容已经同步为new_df的内容
print("df与new_df内容是否一致：", df.equals(new_df))
# 验证字典中的内容也同步更新
print("my_dfs['first']与new_df内容是否一致：", my_dfs['first'].equals(new_df))

特殊场景处理 #

如果需要同时替换df的索引、列名等全部属性，完全对齐new_df的结构，可以使用以下写法：

# 清空原有数据，对齐行列结构后全量赋值，全程原地修改
df.drop(df.index, inplace=True)
df.columns = new_df.columns
df.index = new_df.index
df[:] = new_df.copy()

内容的提问来源于stack exchange，提问作者alexx0186