极客笔记Pandas：为什么Pandas操作不是就地执行的
在本文中，我们将介绍为什么Pandas操作默认情况下不是就地执行的。Pandas是Python中使用最广泛的数据分析库之一。它提供了很多优雅的API，可以使数据操作更加容易和快速。然而，与许多其他Python库不同的是，Pandas默认情况下不会就地修改源数据。相反，许多操作会返回新的数据对象，需要分配到新的变量才能访问结果。那么，为什么Pandas会选择这种非就地操作的方式，这样做有什么好处和缺点？
阅读更多：Pandas 教程
非就地操作的好处
Pandas的非就地操作是它的一个特色，它带来了很多好处，这里我们列出一些：
1. 保留源数据
Pandas的不就地操作可以确保源数据保持不变。这可以被认为是数据操作中最重要的特征之一。由于Pandas处理大量的数据，一旦数据被误修改，就很难恢复。因此，Pandas的非就地操作可以确保数据不会被误修改。
2. 可以进行撤销和重做操作
Pandas的非就地操作可以轻松地实现撤销和重做操作。在进行数据操作时，我们可能会犯错误，使得我们需要撤销之前的更改。如果所有的操作都是就地执行的，则撤销操作将变得相当困难。由于Pandas不就地执行操作，我们可以轻松地撤销操作并回滚到之前的状态。此外，我们还可以像操作其他文本编辑器中的操作一样，实现重做操作。
3. 减少内存使用
除了保留源数据和可撤销操作之外，Pandas的非就地操作还可以减少内存使用。在许多情况下，操作会生成一个新的数据对象，而这个新的数据对象可能有时候比原始数据对象要小。此外，Python使用垃圾回收机制来自动清理不再使用的内存。例如，假设我们从一个CSV文件中读取100 MB的数据帧，如果我们直接进行就地操作，那么在劫持阶段，Pandas将在内存上分配100 MB的内存空间。然而，在进行操作之后，只需要保留操作后的结果，释放原始数据的存储空间。通过这种方式，我们可以节省大量的内存。
示例
我们来看看一些例子来更好地理解这些好处。在这里，我们将尝试使用一些简单的代码来解释：
import pandas as pd
# 创建一个数据帧
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
# 附加一列
df['C'] = df['A'] + df['B']
print(df)
# 输出：
# A B C
# 0 1 4 5
# 1 2 5 7
# 2 3 6 9
在这个例子中，我们首先创建了一个数据帧，有列‘A’和列‘B’。我们随后使用非就地操作将列‘A’和‘B’相加，并将结果分配给新的列‘C’。这个新的列‘C’不会影响原始数据帧，所以我们在执行原始数据帧时不会看到任何变化。如果我们使用就地操作，似乎我们需要做更多的工作：
import pandas as pd
# 创建一个数据帧
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
# 在列'B'上就地增加10
df['B'] += 10
# 打印数据帧
print(df)
# 输出：
# A B
# 0 1 14
# 1 2 15
# 2 3 16
在这个例子中，我们创建了一个数据帧，并在列‘B’上进行了就地操作，增加了所有值的10。请注意，在此操作之后，原始数据帧已被修改，而且我们无法撤销这些更改。
非就地操作的缺点
除了好处之外，Pandas的非就地操作也带来了一些缺点：
1. 耗时
Pandas的非就地操作可能需要更长的时间来完成，因为它需要为新的数据对象分配内存，并将源数据复制到新对象中。这种非就地操作会占用更多的CPU和内存资源，从而导致运行速度较慢。
2. 需要更多的存储空间
由于Pandas的非就地操作需要为新的数据对象分配内存，因此这种操作需要更多的存储空间。在执行一系列操作时，可能需要保存中间结果，并且可能会使用更多的存储空间。
示例
我们再来看一个示例来说明这些缺点。在这个例子中，我们将使用2个版本的绘图函数：一个是就地实现，一个是非就地实现。
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个数据帧
df = pd.DataFrame({'x': [1, 2, 3], 'y': [4, 5, 6]})
# 就地实现的绘图函数
def plot_inplace(df):
plt.plot(df['x'], df['y'])
plt.show()
# 非就地实现的绘图函数
def plot_non_inplace(df):
df.plot(x='x', y='y')
plt.show()
# 测试就地实现
plot_inplace(df)
# 测试非就地实现
plot_non_inplace(df)
在这个示例中，我们使用了一个名为Matplotlib的库，用于绘制图形。我们先定义了两个函数：一个是就地实现，使用plt.plot直接在图像上进行修改。另一个是非就地实现，使用df.plot生成一个新的数据对象，并使用该对象进行绘图。在这个例子中，由于就地实现需要在源数据上进行更改，所以我们需要确保不会再次使用源数据；因此，我们先使用一个版本，然后测试另一个版本。请注意，在非就地实现的图中，我们使用了df.plot函数，它会返回一个新的数据对象，并占用更多的内存。
总结
Pandas使用非就地操作提供了许多好处和缺点。尽管这些操作可能消耗更多的内存和CPU资源，但它们确实是数据操作中最重要的特征之一。Pandas非就地操作可以确保源数据保持不变，并且可以轻松地实现撤销和重做操作。此外，非就地操作还可以减少内存使用，并且使操作更加安全。因此，Pandas的非就地操作在大多数情况下都是首选，尽管在某些情况下也可以使用特殊的就地操作。