如何在不改动原Pandas DataFrame的前提下按条件修改值并生成新DataFrame

嘿，这问题我熟！要在不碰原Pandas DataFrame（或Series）的前提下生成修改后的新数据，关键就是先搞个完全独立的副本，再在副本上动手就行，给你一步步讲清楚：

核心思路 #

绝对不能直接把原变量赋值给新变量（比如df_1 = df_0），因为这只是传递引用，改df_1的时候df_0也会跟着变！必须用.copy()方法创建深拷贝，让新变量和原变量彻底独立。

示例实操（对应你的需求） #

先看你给的例子：原数据是[1,2,3]，要把大于2的值改成np.nan，存到新变量df_1里，原数据df_0保持不变。

步骤1：导入依赖+构造原数据 #

import pandas as pd
import numpy as np

# 这里用Series示例，DataFrame操作逻辑完全一致
df_0 = pd.Series([1, 2, 3])

步骤2：创建副本+修改值（两种常用方法） #

方法一：先复制再用布尔索引修改

# 先创建独立副本
df_1 = df_0.copy()
# 把df_1中大于2的值替换成np.nan
df_1[df_1 > 2] = np.nan

方法二：用.where()一步到位

.where()方法会保留满足条件的元素，不满足的直接替换成指定值，而且它返回的是新对象，不用提前复制：

df_1 = df_0.where(df_0 <= 2, np.nan)

验证结果 #

执行完后打印看看：

print("原数据df_0：", df_0.tolist())  # 输出：原数据df_0： [1, 2, 3]
print("修改后的数据df_1：", df_1.tolist())  # 输出：修改后的数据df_1： [1, 2, nan]

拓展：多列DataFrame的情况 #

如果是带多列的DataFrame，操作逻辑也一样，比如要修改某一列的特定值：

# 构造多列DataFrame
df_original = pd.DataFrame({'score': [85, 92, 78, 95], 'age': [22, 25, 21, 23]})
# 创建副本
df_new = df_original.copy()
# 把score列中大于90的值改成np.nan
df_new.loc[df_new['score'] > 90, 'score'] = np.nan

这样df_original完全不受影响，df_new是修改后的新数据。

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