为何在Python 3.12/3.13中修改Numpy数组元素会同步改动Pandas DataFrame的列名？

你遇到的这个问题其实是Pandas版本迭代带来的交互逻辑变化，具体原因和解决方法如下：

问题根源 #

在你使用的Python 3.7对应的旧版Pandas（1.x系列）中，字符串类型的列名默认以object dtype存储在Index对象里。当你执行np.array(df.keys()[1:])时，Numpy会创建一个包含原字符串独立副本的数组——数组里的元素是和原列名完全分离的Python不可变字符串对象，所以你修改数组元素（比如用replace生成新字符串并赋值）只会改变header_legend本身，不会影响原DataFrame的列名。

而在Python 3.12/13对应的新版Pandas（2.x+）中，Pandas默认使用StringDtype来存储字符串类型的列名，同时优化了和Numpy的交互逻辑。当你直接将StringDtype的Index切片转成Numpy数组时，数组会和原Index保持引用关联（或共享底层数据）。这时候你修改数组元素的操作，会意外同步到原Index上，导致header（原Index的切片）和df.keys()[1:]也跟着变化。

解决方法 #

要避免这个问题，核心是让header_legend成为原列名的独立副本，和原Index断开引用关联。这里有几种简单可靠的实现方式：

方法1：先转列表再创建数组 #

把Index切片转为Python列表，再转成Numpy数组，强制生成独立的字符串副本：

header_legend = np.array(df.keys()[1:].tolist())

方法2：用Pandas内置方法直接处理 #

利用Pandas的str.replace方法直接修改列名切片，再转成Numpy数组，代码更简洁且符合Pandas的使用习惯：

header_legend = df.keys()[1:].str.replace("word1_word2", "word1 word2").to_numpy()

方法3：显式指定Numpy数组类型 #

强制Numpy创建object dtype的数组，确保元素是独立的Python字符串对象：

header_legend = np.array(df.keys()[1:], dtype=object)

使用以上任意一种方法后，你修改header_legend的操作都只会作用在自身，不会再影响原DataFrame的列名，和你在Python 3.7中的预期行为完全一致。

备注：内容来源于stack exchange，提问作者Frazer