pandasライブラリには、次のステートメントのように、オブジェクトをインプレースで変更するオプションが何度もあります。

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

何が返されるのか、inplace=True渡されたときとオブジェクトが渡されたときのオブジェクトの処理方法に興味がありますinplace=False。

すべての操作はselfいつ変更されinplace=Trueますか？そして、andinplace=Falseなどの新しいオブジェクトがすぐに作成されて返されるのはいつですか？new_df = selfnew_df

ときにinplace=True渡され、データが（それは何も返しません）場所に名前が変更されたので、あなたが使用したいです：

df.an_operation(inplace=True)

ときにinplace=False渡され、実行する操作（これはそれほど必要ではなく、デフォルト値です）、あなたが使用したいので、オブジェクトのコピーを返します。

df = df.an_operation(inplace=False) 

パンダでは、インプレース= Trueは有害であると見なされますか？

TLDR; はい、そうです。

• inplace、名前が示すものとは逆に、コピーの作成を妨げないことが多く、（ほとんど）パフォーマンス上の利点はありません。
• inplace メソッドチェーンでは機能しません
• inplace は初心者によくある落とし穴なので、このオプションを削除するとAPIが簡素化されます

このパラメータはほとんど目的を果たさないため、設定することはお勧めしません。引数をAPI全体で非推奨にすることを提案しているこのGitHubの問題を参照してくださいinplace。

使用inplace=Trueすると、コードがより効率的または最適化されるというのはよくある誤解です。実際には、を使用してもパフォーマンス上のメリットはまったくありませんinplace=True。インプレースバージョンとアウトオブプレースバージョンの両方で、とにかくデータのコピーが作成され、インプレースバージョンでは自動的にコピーが割り当てられます。

inplace=True初心者によくある落とし穴です。たとえば、SettingWithCopyWarning：をトリガーできます。

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

DataFrame列で関数を呼び出すと、機能する場合と機能しinplace=True ない場合があります。これは、連鎖インデックスが含まれる場合に特に当てはまります。

上記の問題だけでは不十分であるかのように、メソッドチェーンinplace=Trueも妨げます。の動作を対比

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

とは対照的に

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

前者は、コードの編成と読みやすさを向上させるのに役立ちます。

もう1つの裏付けとなる主張は、のAPIset_axisが最近変更され、inplaceデフォルト値がTrueからFalseに切り替えられたことです。GH27600を参照してください。素晴らしい仕事の開発者！

私の使い方は

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

または

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

結論：

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

inplaceパラメータ：

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

内Pandasおよび一般的な手段で：

1.パンダは元のデータのコピーを作成します

2 ....それに対していくつかの計算を行います

3 ....結果を元のデータに割り当てます。

4 ....コピーを削除します。

以下の私の回答の残りの部分で読むことができるように、このパラメータ、つまりを使用する正当な理由がまだありますが、次のように、inplace operationsより多くの問題が発生するため、可能であれば回避する必要があります。

1.コードのデバッグが難しくなります（実際には、SettingwithCopyWarningは、この考えられる問題について警告することを意味します）

2.メソッドチェーンとの競合

それで、私たちがまだそれを使うべきである場合さえありますか？

絶対そうです。パンダや巨大なデータセットを処理するためのツールを使用すると、一部のビッグデータがメモリ全体を消費する可能性があるという状況に簡単に直面する可能性があります。この望ましくない影響を回避するために、メソッドチェーンのようないくつかのテクニックを使用できます。

(
    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"]]
)

これにより、コードがよりコンパクトになり（ただし、解釈とデバッグも困難になります）、チェーンされたメソッドが他のメソッドの戻り値と連携するため、メモリの消費量が少なくなり、入力データのコピーが1つだけになります。この操作の後、元のデータメモリの消費量が2倍になることがはっきりとわかります。

または、inplaceパラメータを使用することもできます（解釈とデバッグも難しいですが）メモリ消費量は元のデータの2倍になりますが、この操作後のメモリ消費量は元のデータの1倍のままです。大きなメリット。

最終結論：

inplace巨大なデータを処理しない限り、パラメーターの使用は避け、パラメーターを引き続き使用する場合に発生する可能性のある問題に注意してください。

同じ変数に保存します

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

別の変数に保存します

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

ただし、変数はいつでも上書きできます

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

参考：デフォルトでは inplace = False

関数を使用してPandasデータフレームに変更を加えようとするとき、データフレームに変更をコミットする場合は、「inplace = True」を使用します。したがって、次のコードの最初の行は、「df」の最初の列の名前を「Grades」に変更します。結果のデータベースを表示する場合は、データベースを呼び出す必要があります。

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

変更をコミットせず、結果のデータベースを出力するだけの場合は、「inplace = False」（これもデフォルト値です）を使用します。したがって、実際には、変更がコミットされた元のデータベースのコピーが、元のデータベースを変更せずに印刷されます。

より明確にするために、次のコードは同じことを行います。

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

inplace=True 元のdfに変更を加えるかどうかに応じて使用されます。

df.drop_duplicates()

ドロップされた値のビューのみを作成し、dfは変更しません

df.drop_duplicates(inplace  = True)

値を削除し、dfに変更を加えます。

お役に立てれば。：）

inplace=True関数を不純にします。元のデータフレームを変更し、Noneを返します。その場合、あなたはDSLチェーンを壊します。ほとんどのデータフレーム関数は新しいデータフレームを返すため、DSLを便利に使用できます。お気に入り

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

inplace=Trueなしを返す関数呼び出しとDSLチェーンが壊れています。例えば

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

投げます NoneType object has no attribute 'rename'

Pythonの組み込みの並べ替えと並べ替えに似たもの。lst.sort()リターンNoneとsorted(lst)新しいリストを返します。

通常、inplace=True特別な理由がない限り使用しないでください。のような再割り当てコードを作成する必要がある場合df = df.sort_values()は、DSLチェーンに関数呼び出しを添付してみてください。

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

パンダでの私の経験として、私は答えたいと思います。

'inplace = True'引数は、データフレームが変更を永続的に行う必要があることを表します。

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

同じデータフレームを変更します（このパンダはインデックスでNaNエントリを見つけてドロップするため）。やってみたら

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

pandasは、変更を加えたデータフレームを表示しますが、元のデータフレーム「df」は変更しません。

inplace = Trueを使用しない場合、またはinplace = Falseを使用する場合は、基本的にコピーが返されます。

たとえば、次のようになります。

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

降順でソートされたデータで構造を変更します。

その後：

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

testdf2をコピーにします。値はすべて同じですが、並べ替えが逆になり、独立したオブジェクトが作成されます。

次に、別の列を指定して、LongMAと言います。

testdf2.LongMA = testdf2.LongMA -1

testdfのLongMA列には元の値があり、testdf2にはデクリメントされた値があります。

計算のチェーンが拡大し、データフレームのコピーには独自のライフサイクルがあるため、違いを追跡することが重要です。

はい、パンダにはパラメータを持つ多くの関数がありますinplaceが、デフォルトではに割り当てられていFalseます。

したがって、元df.dropna(axis='index', how='all', inplace=False)のファイルを変更したくないと考えると、DataFrame代わりに、必要な変更を加えた新しいコピーが作成されます。

ただし、inplaceパラメータをに変更するとTrue

次にDataFrame、指定されたものに変更を加える代わりに、新しいコピーは必要ないと明示的に言うのと同じです。DataFrame

これにより、Pythonインタープリターは新しいものを作成しないように強制されますDataFrame

ただしinplace、結果を元のDataFrameに再割り当てすることで、パラメーターの使用を回避することもできます。

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