DataFrame复制异常：修改副本为何会影响原DataFrame？

嘿，这个现象完全是因为你创建df_new的方式不对——你根本没生成原DataFrame的副本，只是给它加了个“别名”而已！我给你拆解清楚：

核心原因：Python的引用赋值机制 #

当你执行：

df_new = df

这行代码没有创建任何新的DataFrame对象，它只是让变量df_new和df指向了内存中同一个DataFrame实例。就好比你给你的猫同时起了“咪咪”和“花花”两个名字，不管你叫哪个名字去给它剪毛，这只猫本身的样子都会改变。

Pandas的DataFrame是可变对象，对这类对象的直接赋值操作，传递的是对象的引用而非数据副本。所以你后续修改df_new['Age']的时候，本质上就是在修改df所指向的那个原始DataFrame的数据，自然两者的结果会同步变化。

和副本创建方式的关系：完全相关！ #

你遇到的问题恰恰就是因为你没有真正创建副本，只是做了引用赋值。如果想要让df_new成为和原df完全独立的新DataFrame，必须使用Pandas提供的.copy()方法：

df_new = df.copy()  # 默认是深拷贝，deep=True

这样执行之后，df_new会拥有自己独立的数据存储空间，修改它的任何列都不会影响到原df了。

额外提一句：如果你的DataFrame里包含嵌套的复杂数据结构（比如列表、字典），可以显式指定deep=True（默认就是这个值）来确保所有嵌套数据也被完整拷贝；如果只是需要浅拷贝（只拷贝顶层结构，嵌套部分仍共享引用），可以用df.copy(deep=False)，不过这种场景比较少见。

验证修改后的效果 #

把你的代码改成这样试试：

data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'])
df_new = df.copy()  # 这里用copy()创建独立副本
df_new['Age'] = df_new['Age'] * 90 / 100
print(df_new)
print(df)

这时候你会发现df的Age列还是原来的数值，而df_new的Age列是修改后的值，两者彻底独立了。

内容的提问来源于stack exchange，提问作者foo