为什么我的新列在使用.sample方法后会进行网络分配？

Question

所以我只是回答了一个问题而且我遇到了一些有趣的事情：

数据框如下所示：

  string1 string2
0     abc     def
1     ghi     jkl
2     mno     pqr
3     stu     vwx

因此，当我执行以下操作时，新列的分配有效：

df['string3'] = df.string2

print(df)

  string1 string2 string3
0     abc     def     def
1     ghi     jkl     jkl
2     mno     pqr     pqr
3     stu     vwx     vwx

但是当我使用pandas.DataFrame.Series.sample时，新的列会分配net，至少不是sampled：

df['string4'] = df.string2.sample(len(df.string2))
print(df)
  string1 string2 string3 string4
0     abc     def     def     def
1     ghi     jkl     jkl     jkl
2     mno     pqr     pqr     pqr
3     stu     vwx     vwx     vwx

所以我测试了一些东西：

Test1使用未分配的样本，给出正确的输出：

df.string2.sample(len(df.string2))

2    pqr
1    jkl
0    def
3    vwx
Name: string2, dtype: object

Test2无法覆盖：

df['string2'] = df.string2.sample(len(df.string2))
print(df)
  string1 string2
0     abc     def
1     ghi     jkl
2     mno     pqr
3     stu     vwx

这有效，但为什么呢？

df['string2'] = df.string2.sample(len(df.string2)).values
print(df)
  string1 string2
0     abc     jkl
1     ghi     def
2     mno     vwx
3     stu     pqr

为什么我需要明确使用.values或.tolist()来分配正确？

Answer 1

pandas是index敏感，这意味着他们检查index当assign它，这是当你做serise赋值，整个df没有改变，因为index没有改变，在sort_index后，它仍然显示相同的values顺序，但如果你做numpy array赋值，将不考虑index，因此值本身将被分配回原始的df，从而产生输出

边缘的一个例子

df['string3']=pd.Series(['aaa','aaa','aaa','aaa'],index=[100,111,112,113])
df
Out[462]: 
  string1 string2 string3
0     abc     vwx     NaN
1     ghi     jkl     NaN
2     mno     dfe     NaN
3     stu     pqr     NaN

---

当你使用.loc进行条件赋值时，因为该索引敏感

你总能这样做

df.loc[df.condition,'value']=df.value*100 
# since the not selected one will not be change 

与你用np.where做的一样

df['value']=np.where(df.condition,df.value*100 ,df.value)

---

其他一些用例，当我做groupby apply与none-agg功能并尝试将其分配回来，为什么它失败

df['String4']=df.groupby('string1').apply(lambda x :x['string2']+'aa')

TypeError：带有帧索引的插入列的不兼容索引

让我们试着看看groupby.apply的回归

df.groupby('string1').apply(lambda x : x['string2']+'aa')
Out[466]: 
string1   
abc      0    vwxaa
ghi      1    jklaa
mno      2    dfeaa
stu      3    pqraa
Name: string2, dtype

请注意，它在索引中添加了一个级别，因此返回是多个索引，而原始df只有一个维度，这将导致错误消息。

---

怎么解决？

---

reset index并使用原始索引，这是groupby产品的第二级，然后将其分配回来

df['String4']=df.groupby('string1').apply(lambda x : x['string2']+'aa').reset_index(level=0,drop=True)
df
Out[469]: 
  string1 string2 string3 String4
0     abc     vwx     NaN   vwxaa
1     ghi     jkl     NaN   jklaa
2     mno     dfe     NaN   dfeaa
3     stu     pqr     NaN   pqraa

---

正如Erfan在评论中提到的那样，我们怎么能意外地将不需要的价值分配给pandas.DataFrame

两种不同的分配方式。

1，带有数组或列表或元组..无法对齐，这意味着当df和assign对象之间的长度不同时，它将失败

第二次分配pandas object，总是对齐，没有错误会返回，甚至长度不同

但是，当assign对象具有重复索引时，它将引发错误

df['string3']=pd.Series(['aaa','aaa','aaa','aaa'],index=[100,100,100,100])
ValueError: cannot reindex from a duplicate axis

Answer 2

那是因为索引仍然相同，请尝试使用reset_index：

df.string2=df.string2.sample(len(df.string2)).reset_index(drop=True)
print(df)

  string1 string2
0     abc     jkl
1     ghi     pqr
2     mno     vwx
3     stu     vwx

另一方面，.values只有没有索引的值，因此有效