问题描述：

在pandas库中很多时候都有选项可以就地更改对象，例如使用以下语句...

df.dropna(axis='index', how='all', inplace=True)

我很好奇返回了什么以及对象在inplace=True传递时和传递时是如何处理的inplace=False。

所有操作都是self在何时修改的inplace=True？什么时候inplace=False会立即创建一个新对象（例如new_df = self，然后new_df返回）？

如果您试图关闭某人应该使用inplace=True但尚未使用的问题，请考虑使用replace() 方法不适用于 Pandas DataFrame 的问题。

解决方案 1：

传递时inplace=True，数据会被重命名（它不返回任何内容），因此您可以使用：

df.an_operation(inplace=True)

当inplace=False传递时（这是默认值，所以不是必需的），执行操作并返回对象的副本，因此您可以使用：

df = df.an_operation(inplace=False) 

解决方案 2：

在熊猫中，inplace = True 是否有害？

TLDR；是的，确实如此。

• inplace与名称所暗示的相反，通常不会阻止创建副本，并且（几乎）不会带来任何性能优势

• inplace不适用于方法链

• inplace如果在 DataFrame 列上使用，可能会导致SettingWithCopyWarning操作无法进行，从而导致代码中出现难以调试的错误

上述痛点是初学者常见的陷阱，因此删除此选项将简化 API。

我不建议设置此参数，因为它没有什么用处。请参阅此 GitHub 问题，其中建议inplace在整个 api 范围内弃用该参数。

人们普遍误以为使用inplace=True会使代码更高效或更优化。实际上，使用绝对不会带来任何性能优势inplace=True。原地版本和非原地版本都会创建数据的副本，而原地版本会自动将副本分配回去。

inplace=True是初学者常见的陷阱。例如，它可以触发SettingWithCopyWarning：

df = pd.DataFrame({'a': [3, 2, 1], 'b': ['x', 'y', 'z']})

df2 = df[df['a'] > 1]
df2['b'].replace({'x': 'abc'}, inplace=True)
# SettingWithCopyWarning: 
# A value is trying to be set on a copy of a slice from a DataFrame

在 DataFrame 列上调用函数inplace=True 可能会或可能不会起作用。涉及链式索引时尤其如此。

好像上面描述的问题还不够，inplace=True还阻碍了方法链。对比一下

result = df.some_function1().reset_index().some_function2()

相反

temp = df.some_function1()
temp.reset_index(inplace=True)
result = temp.some_function2()

前者有利于更好的代码组织和可读性。

另一个支持性说法是，APIset_axis最近发生了变化，inplace默认值从 True 变为了 False。请参阅GH27600。开发人员干得好！

解决方案 3：

我的使用方式是

# Have to assign back to dataframe (because it is a new copy)
df = df.some_operation(inplace=False) 

或者

# No need to assign back to dataframe (because it is on the same copy)
df.some_operation(inplace=True)

结论：

 if inplace is False
      Assign to a new variable;
 else
      No need to assign

解决方案 4：

参数inplace：

df.dropna(axis='index', how='all', inplace=True)

一般来说Pandas意味着：

1. Pandas 创建原始数据的副本

2. ... 对其进行一些计算

3 ....将结果赋给原始数据。

4. ...删除副本。

正如您在下面的我的其余回答中所读到的，我们仍然有充分的理由使用这个参数，即inplace operations，但如果可以的话，我们应该避免使用它，因为它会产生更多问题，例如：

1.你的代码将更难调试（实际上SettingwithCopyWarning就是警告你这个可能出现的问题）

2.与方法链冲突

那么还有什么情况我们应该使用它吗？

当然是的。如果我们使用 pandas 或任何工具来处理大型数据集，我们很容易面临这样的情况，一些大数据会占用我们整个内存。为了避免这种不良影响，我们可以使用一些技术，如方法链：

(
    wine.rename(columns={"color_intensity": "ci"})
    .assign(color_filter=lambda x: np.where((x.hue > 1) & (x.ci > 7), 1, 0))
    .query("alcohol > 14 and color_filter == 1")
    .sort_values("alcohol", ascending=False)
    .reset_index(drop=True)
    .loc[:, ["alcohol", "ci", "hue"]]
)

这使得我们的代码更紧凑（尽管也更难解释和调试），并且消耗更少的内存，因为链接的方法与其他方法的返回值一起工作，从而只产生一个输入数据的副本。我们可以清楚地看到，经过这些操作后，我们将有2 倍的原始数据内存消耗。

或者我们可以使用inplace参数（虽然解释和调试也更难）我们的内存消耗将是2 x 原始数据，但此操作后的内存消耗仍然是1 x 原始数据，如果有人在处理庞大的数据集时确切知道这一点，那将是一个很大的好处。

定论：

避免使用inplace参数，除非您不处理大量数据，并且意识到在仍然使用参数的情况下可能出现的问题。

解决方案 5：

将其保存到同一个变量中

data["column01"].where(data["column01"]< 5, inplace=True)

将其保存到单独的变量

data["column02"] = data["column01"].where(data["column1"]< 5)

但是，你总是可以覆盖变量

data["column01"] = data["column01"].where(data["column1"]< 5)

仅供参考：默认情况下inplace = False

解决方案 6：

当尝试使用函数更改 Pandas 数据框时，如果要将更改提交到数据框，则使用“inplace=True”。因此，以下代码中的第一行将“df”中第一列的名称更改为“Grades”。如果想要查看结果数据库，则需要调用数据库。

df.rename(columns={0: 'Grades'}, inplace=True)
df

当我们不想提交更改而只想打印结果数据库时，我们使用“inplace=False”（这也是默认值）。因此，实际上会打印包含已提交更改的原始数据库的副本，而不会更改原始数据库。

为了更清楚起见，以下代码执行相同的操作：

#Code 1
df.rename(columns={0: 'Grades'}, inplace=True)
#Code 2
df=df.rename(columns={0: 'Grades'}, inplace=False}

解决方案 7：

是的，在 Pandas 中我们有许多函数都有参数inplace，但默认情况下它被分配给False。

因此，当您这样做时，df.dropna(axis='index', how='all', inplace=False)它会认为您不想更改原件DataFrame，因此它会为您创建一个包含所需更改的新副本。

但是，当你将inplace参数更改为True

那么这相当于明确地说我不想要新的副本，DataFrame而是对给定的进行更改DataFrame

这迫使 Python 解释器不创建新的DataFrame

但您也可以inplace通过将结果重新分配给原始 DataFrame 来避免使用该参数

df = df.dropna(axis='index', how='all')

解决方案 8：

inplace=True取决于您是否要更改原始 df。

df.drop_duplicates()

只会查看删除的值，但不会对 df 进行任何更改

df.drop_duplicates(inplace  = True)

将删除值并对 df 进行更改。

希望这有帮助。:)

解决方案 9：

inplace=True使函数不纯。它会更改原始数据框并返回 None。在这种情况下，您打破了 DSL 链。由于大多数数据框函数都会返回一个新的数据框，因此您可以方便地使用 DSL。例如

df.sort_values().rename().to_csv()

函数调用inplace=True返回 None 并且 DSL 链断裂。例如

df.sort_values(inplace=True).rename().to_csv()

将会抛出NoneType object has no attribute 'rename'

与 python 的内置 sort 和 sorted 类似。lst.sort()返回None并sorted(lst)返回一个新列表。

一般来说，除非有特殊原因，否则不要使用inplace=True。当你必须编写重新分配代码时df = df.sort_values()，请尝试将函数调用附加到 DSL 链中，例如

df = pd.read_csv().sort_values()...

解决方案 10：

就我饲养熊猫的经验而言，我想回答一下。

'inplace=True' 参数代表数据框必须使更改永久生效，例如。

    df.dropna(axis='index', how='all', inplace=True)

更改相同的数据框（因为这个 pandas 在索引中发现 NaN 条目并删除它们）。如果我们尝试

    df.dropna(axis='index', how='all')

pandas 显示我们所做更改的数据框，但不会修改原始数据框“df”。

解决方案 11：

如果您不使用 inplace=True 或者使用 inplace=False，您基本上会得到一份副本。

例如：

testdf.sort_values(inplace=True, by='volume', ascending=False)

将改变按降序排列的数据结构。

然后：

testdf2 = testdf.sort_values( by='volume', ascending=True)

将使 testdf2 成为副本。所有值都将相同，但排序将被逆转，并且您将拥有一个独立的对象。

然后给出另一列，比如 LongMA，然后你这样做：

testdf2.LongMA = testdf2.LongMA -1

testdf 中的 LongMA 列将具有原始值，而 testdf2 将具有减值后的值。

随着计算链的增长以及数据帧的副本有自己的生命周期，跟踪差异非常重要。