HOWTO · Pandas

Pandas copie DataFrame

Ce tutoriel présente la façon dont nous pouvons faire une copie d'un objet DataFrame en utilisant la méthode DataFrame.copy() et nous explorerons l'utilisation de la méthode DataFrame.copy().

Sur cette page

Pour copier un DataFrame pandas, appelez DataFrame.copy(). Par défaut, deep=True crée un DataFrame distinct : modifier une cellule du résultat laisse inchangée la cellule d’origine. Utilisez cette méthode lorsque vous devez modifier les données indépendamment.

Syntaxe et profondeur de copie de DataFrame.copy()

La méthode accepte l’argument deep : df.copy(deep=True). La valeur par défaut est True, donc df.copy() est équivalent. Avec deep=True, pandas copie les données et l’index du DataFrame. Il s’agit d’une copie deep des structures de données de pandas, mais les objets Python stockés dans des cellules de type object ne sont pas copiés récursivement. Par exemple, si une cellule contient une liste modifiable, le DataFrame copié peut toujours référencer cette même liste. Copiez séparément les objets contenus dans les cellules si vous avez besoin que les objets imbriqués soient indépendants.

Avec deep=False, pandas partage initialement les données sous-jacentes et l’index avec la source au lieu de les copier. L’effet d’une affectation ultérieure effectuée via l’un ou l’autre DataFrame dépend de la version de pandas et de l’activation ou non de Copy-on-Write. Ne comptez pas sur une copie superficielle pour propager les modifications à la source ou pour les isoler dans toutes les configurations. Si l’indépendance est importante, utilisez la copie deep par défaut. Si le partage des données est intentionnel, vérifiez le comportement documenté pour la version de pandas et le mode Copy-on-Write utilisés par votre application.

Créer une copie indépendante d’un DataFrame

Exécutez cet exemple :

Le code et les libellés ou sorties affichés dans cette section restent en anglais.

import pandas as pd

original = pd.DataFrame({"score": [10]})
independent = original.copy()
independent.loc[0, "score"] = 99
print(f"original={original.loc[0, 'score']}, copy={independent.loc[0, 'score']}")
original=10, copy=99

L’affectation modifie la cellule du DataFrame copié, tandis que la valeur de original reste égale à 10. L’exemple utilise la valeur par défaut deep=True ; écrire original.copy(deep=True) rend ce choix explicite. Utilisez .loc[row, column] pour désigner la cellule à modifier et gardez la variable d’origine à disposition lorsque vous devez comparer ou réutiliser ses données.

Comprendre deep=False et le partage des données

Une copie superficielle peut être utile si vous voulez créer un nouvel objet DataFrame sans dupliquer immédiatement ses données. Elle ne garantit pas universellement l’effet d’une modification ultérieure : le comportement Copy-on-Write de pandas et sa version déterminent si une écriture est isolée ou visible via un autre objet. Considérez deep=False comme un choix dont les effets sur les modifications dépendent de la version, et non comme un moyen fiable de modifier les deux DataFrames à la fois. Pour des modifications indépendantes et prévisibles, choisissez deep=True ; pour un comportement propre à une application, vérifiez sa version de pandas et son paramètre Copy-on-Write.

L’argument deep ne rend pas non plus les objets imbriqués indépendants. Par exemple, si des cellules de type object contiennent des listes, la copie d’un DataFrame duplique les conteneurs de pandas, mais ne clone pas récursivement chaque liste. Modifier une liste dans une cellule peut donc affecter un objet accessible depuis les deux DataFrames. Traitez séparément les valeurs imbriquées modifiables lorsque cette distinction est importante.

Affecter un DataFrame ou une colonne à une variable

Une affectation telle que other = original associe une autre variable au même objet DataFrame. Elle n’appelle pas DataFrame.copy() et ne crée pas de données indépendantes. Une modification effectuée via l’un ou l’autre nom agit sur ce même objet.

De même, scores = original["score"] sélectionne une colonne sous forme de Series pandas ; cette opération ne demande pas explicitement une copie indépendante. Si vous avez besoin d’isoler les données, ne remplacez pas une copie par une affectation de variable ou une sélection de colonne. Utilisez other = original.copy() pour un DataFrame, ou scores = original["score"].copy() pour obtenir une Series distincte. Votre intention est ainsi explicite et ne dépend pas d’un comportement accessoire de vue ou de modification. Choisissez d’abord l’objet dont vous avez besoin — un DataFrame pour les opérations tabulaires ou une Series pour une seule colonne — puis appelez .copy() si le résultat doit pouvoir être modifié séparément.