Pandas函数内iloc与reset_index未执行，批量处理数据集遇阻求助

嘿，我一眼就看出问题出在哪儿啦！你的函数里的iloc和reset_index操作其实已经生效了，但只在函数内部的临时副本上生效，根本没影响到你传入的原数据集dataset。下面给你拆解原因和解决方案：

问题根源 #

当你在函数里执行frame=frame.iloc[:,[3,4]]时，这行代码不是修改原来的frame对象，而是创建了一个新的DataFrame副本，并让函数内部的frame变量指向这个新副本。后面的reset_index操作也是在这个新副本上进行的，但函数结束后这个副本就被销毁了，完全没和你传入的原dataset产生关联——而且你最后也没把处理后的副本返回出去，所以原数据集自然纹丝不动。

解决方案一：返回处理后的DataFrame（推荐，更安全） #

让函数把处理好的DataFrame返回，调用时重新赋值给原变量，这样就能拿到修改后的结果了：

def func34(frame):
    # 先在原对象上执行删除操作（inplace=True会直接修改传入的对象）
    frame.drop(frame[frame[1]=='Banks'].index.values, inplace=True)
    frame.dropna(subset=[1], inplace=True)
    # 提取需要的列，生成新的DataFrame
    processed_frame = frame.iloc[:, [3,4]]
    # 重置索引
    processed_frame.reset_index(drop=True, inplace=True)
    # 返回处理后的结果
    return processed_frame

# 调用函数时一定要接收返回值！
dataset = func34(dataset)

如果要处理900个数据集，你可以这样循环：

# 假设all_datasets是你的900个数据集列表
processed_datasets = []
for data in all_datasets:
    # 传副本避免修改原数据（如果需要保留原数据的话）
    processed_data = func34(data.copy())
    processed_datasets.append(processed_data)

解决方案二：直接修改原对象（不推荐，容易踩坑） #

如果你确实想直接修改传入的原对象，避免创建新副本，可以用列删除的方式代替iloc的赋值操作：

def func34(frame):
    frame.drop(frame[frame[1]=='Banks'].index.values, inplace=True)
    frame.dropna(subset=[1], inplace=True)
    # 删除不需要的列，只保留3和4列（直接修改原对象）
    frame.drop(frame.columns.difference([3,4]), axis=1, inplace=True)
    # 重置索引
    frame.reset_index(drop=True, inplace=True)

# 调用后原dataset会直接被修改
func34(dataset)

⚠️ 注意：这种方式会直接修改原数据集，如果你的900个数据集需要保留原始版本，千万别用这个方法！

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