为什么循环内对pandas DataFrame执行列reindex操作不生效，循环外执行却正常

这个现象不是pandas的bug，是Python变量规则和pandas方法设计共同作用的必然结果：

1. Python 的变量绑定规则
   你在循环中写的for i in [df1, df2, df3]，i只是一个存在于循环作用域内的临时局部变量，它初始状态只是引用了df1/df2/df3对应的内存对象。当你执行i = i.reindex(columns=columns2)时，代码实际执行流程是：

• 调用reindex方法，生成一个列顺序符合columns2要求的全新DataFrame对象（整个过程不会修改原DataFrame的内存数据）
• 把临时变量i的引用从原来的旧DataFrame，改成指向这个新生成的对象
  这个过程全程没有触碰df1/df2/df3这三个外层变量的引用绑定，它们从始至终都指向最开始创建的、列顺序为['d','e','f']的原始DataFrame对象，自然看不到任何修改效果。

2. 和循环外操作的本质差异
   你在循环外执行的df2 = df2.reindex(columns=columns2)，是直接对外层变量df2的引用做重新绑定——把它从原来的旧对象，指向reindex生成的新对象，所以最终打印df2的时候，就能看到正确的列顺序调整效果。

打个直白的比方：df1/df2/df3是你贴在冰箱上的三张便签，每张便签写着一套老房子的地址。循环里的i是你手里拿的一张临时小便签，一开始抄了老房子的地址；你按这个地址找过去，在旁边盖了一套列顺序完全正确的新房子，然后在手里的临时便签上把地址改成新房子的位置——但冰箱上原来的三张便签一个字都没改，你照着冰箱上的便签找过去，看到的还是没改动的老房子。

不要依赖循环内对临时变量的赋值来修改外层对象，可以用以下几种方式实现：

• 把原始DataFrame存在列表中，通过列表推导式批量执行reindex，将返回的新对象统一存入新的列表，后续直接使用新列表中的对象：

# 初始化原始df列表
df_list = [df1, df2, df3]
# 批量重排列顺序
reordered_dfs = [df.reindex(columns=columns2) for df in df_list]

• 如果需要保留df1/df2/df3的独立变量名，就直接对每个外层变量执行重赋值操作，和循环外单独修改df2的逻辑完全一致：

df1 = df1.reindex(columns=columns2)
df2 = df2.reindex(columns=columns2)
df3 = df3.reindex(columns=columns2)

• 如果你一定要在循环内修改原DataFrame的内部数据，注意这种方式依赖pandas内部私有属性，不同版本可能存在兼容性问题，无特殊需求不推荐使用：

for df in [df1, df2, df3]:
    # 直接替换原df的底层数据，不修改外部变量的引用
    df._data = df[columns2]._data
    df._is_copy = None

注意：pandas的大部分数据转换方法（包括reindex）都是设计为返回新对象的非原地方法，不存在inplace=True参数，因此不要期待通过修改对象的临时引用，就能反向影响外层的原始变量。

内容的提问来源于stack exchange，提问作者Andrew5715