Pandas 中可通过 copy=False 构造多个 DataFrame 共享同一 NumPy 数组的内存，再对其中某个 DataFrame 添加新列（自动拷贝），从而实现“部分视图、部分独立”的混合结构。
在 pandas 中，可以通过合理利用底层 numpy 数组的内存共享机制与列添加行为，构造出一种特殊的 dataframe：其部分列（如原始构造列）是原始数组的视图（view），而新增列则独立分配内存、不参与共享——即实现“部分视图、部分非视图”的混合状态。
这种结构并非 Pandas 显式支持的“半视图 DataFrame”类型，而是通过构造策略和操作时序自然形成的内存布局。核心原理在于：
- 使用 pd.DataFrame(arr, copy=False) 时，若 arr 是可写、C-contiguous 的 NumPy 数组，DataFrame 的列将直接引用该数组的内存块（即共享底层数据）；
- 后续对某 DataFrame 执行 df["new_col"] = value 操作时，Pandas 会为该列分配全新内存（即使值是标量或广播数组），因此该列不与其他 DataFrame 共享数据；
- 而原始列（由 arr 初始化所得）仍保持与 arr 及其他同源 DataFrame 的内存关联。
以下是一个完整示例：
import pandas as pd
import numpy as np
# 创建共享底层数组
arr = np.array([[1, 2, 3],
[4, 5, 6]], dtype=float)
# 构造两个共享 arr 的 DataFrame（copy=False）
df1 = pd.DataFrame(arr, columns=["a1", "b1", "c1"], copy=False)
df2 = pd.DataFrame(arr, columns=["a2", "b2", "c2"], copy=False)
# 向 df2 添加新列 —— 此列独立分配内存，不共享 arr
df2["d"] = 999
print("初始 df1:")
print(df1)
print("\n初始 df2:")
print(df2)
输出：
初始 df1: a1 b1 c1 0 1 2 3 1 4 5 6 初始 df2: a2 b2 c2 d 0 1 2 3 999 1 4 5 6 999
此时，df1[["a1","b1","c1"]] 与 df2[["a2","b2","c2"]] 共享 arr 内存；而 df2["d"] 是独立列，修改它不会影响 df1 或 arr。
验证共享行为：
# 修改 df1 的整行 → 同时影响 df2 的原始列
df1.loc[0, :] = -1
print("\n修改 df1 第 0 行后：")
print("df1:")
print(df1)
print("\ndf2:")
print(df2)
输出：
修改 df1 第 0 行后： df1: a1 b1 c1 0 -1 -1 -1 1 4 5 6 df2: a2 b2 c2 d 0 -1 -1 -1 999 1 4 5 6 999
可见 df2 的 a2/b2/c2 列同步更新，但 d 列保持不变，证实了“部分视图、部分独立”的结构已达成。
⚠️ 注意事项：
- copy=False 并非总能生效：若输入数组不可写（arr.flags.writeable = False）、非连续（not arr.flags.c_contiguous）或 dtype 不兼容，Pandas 会静默回退为 copy=True；
- 此行为属于底层实现细节，不推荐用于生产环境的关键逻辑——因易受 Pandas 版本更新、数组状态变化影响，且违背“显式优于隐式”的设计原则；
- 若需安全的数据共享，建议显式使用 .values 或 .to_numpy() 获取视图，并用 pd.DataFrame(view, copy=False) 构造；新增列应明确理解其内存独立性。
总结：虽然 Pandas 没有提供“部分视图 DataFrame”的 API，但借助 copy=False 构造 + 增量列赋值的组合，确实可实现所需效果。理解其内存机制有助于深入掌握 DataFrame 的底层行为，但在工程实践中，更推荐通过清晰的数据流设计（如统一源头 + 显式复制/视图）来保障可维护性与可预测性。
