为何Pandas DataFrame单元格的id会随每次执行变化？

首先明确两个核心事实：

• 你定义的df1 = df.iloc[:3, :]确实是df的视图，二者共享底层的numpy数组内存，修改df1的元素会直接影响df，这一点没有问题。
• 你看到的ID变化和看似矛盾的相等判断，本质上是Python的id()函数特性 + Pandas访问单个元素的实现逻辑共同导致的，和视图本身的内存共享无关。

1. 为什么每次访问元素的ID会变化？ #

当你通过df.loc[0, 'a']或df1.loc[0, 'a']获取单个元素时，Pandas并不会直接返回底层数组中对应内存位置的引用。相反，它会创建一个新的标量对象（这里是numpy.int64类型，因为你的数据来自np.arange）来包装这个值。

每次执行df.loc[0, 'a']，都会生成一个全新的标量实例，这个实例的内存地址（也就是id()返回的值）自然会不同——除非前一个实例已经被Python的垃圾回收器回收，新实例刚好复用了同一个内存地址（这就是你第一次执行时ID相同的原因）。

2. 为什么偶尔打印的ID不等，但id(...) == id(...)返回True？ #

这是Python中id()函数的一个常见“陷阱”：id()返回的是对象在其生命周期内的内存地址。当你在同一行执行id(df.loc[0, 'a']) == id(df1.loc[0, 'a'])时：

• 第一个df.loc[0, 'a']创建的标量对象，在id()调用完成后就没有任何引用了，会被立即标记为可回收。
• 紧接着创建的df1.loc[0, 'a']标量对象，可能刚好被分配到了刚刚释放的内存地址上，所以两者的id()相等，判断返回True。

但如果你分开两行打印，中间可能有其他操作（哪怕只是Python解释器的内部操作），导致第一个对象的内存地址被其他对象占用，第二个对象只能用新的地址，所以打印出的ID就不一样了。

3. 验证视图共享内存的正确方式 #

如果要确认df和df1确实共享底层内存，不要通过单个元素的id()来判断，而是直接修改视图的元素，看原DataFrame是否变化：

df1.loc[0, 'a'] = 999
print(df.loc[0, 'a'])  # 会输出999，说明底层内存共享

或者直接查看底层数组的内存地址：

print(id(df.values))
print(id(df1.values))  # 两者ID相同，说明共享同一个numpy数组

总结一下：你看到的ID变化是因为每次访问元素都生成了新的包装对象，而视图本身的底层内存是完全共享的——这是Pandas的设计逻辑（方便标量操作）和Python内存管理机制共同作用的结果。

内容的提问来源于stack exchange，提问作者Y. Gao