df.copy()能隔离修改是因为它深拷贝了底层numpy数组、行索引和列索引，三者内存地址均不同；但列中嵌套可变对象或直接修改columns.values仍会共享内存，导致意外污染。
因为 copy() 创建的是独立内存对象，原始 DataFrame 和副本之间没有共享数据缓冲区或索引引用。
df.copy() 为什么能隔离修改？
调用 df.copy()（默认 deep=True）时，Pandas 会复制底层 NumPy 数组、索引和列名对象——但注意：列名（df.columns）本身是 Index 对象，copy(deep=True) 会复制它；而如果列中包含可变对象（如嵌套列表），这些内部对象仍可能被共享。
-
df.copy(deep=True)复制数据数组、行索引、列索引，三者地址均与原对象不同（可用id(df.values)、id(df.index)、id(df.columns)验证） - 修改副本的数值列（如
df_copy.loc[0, 'Age'] = 99）只写入副本自己的数组内存，不影响原始数组 - 但如果原始 DataFrame 某列存的是 Python 列表（如
[[1,2], [3]]），即使 deep copy，这些列表对象仍被引用——改列表内容会同步反映到原始 df（这是浅拷贝遗留行为）
为什么 df.columns.values[1] = 'x' 会污染原 df？
这不是 copy() 失效，而是你绕过了 Pandas 的列名管理机制，直接篡改了 columns.values 这个 NumPy 数组的底层内存。而 df.copy(deep=True) 虽复制了 columns 对象，但 columns.values 是一个指向字符串数组的视图，其底层 buffer 在某些版本中未被深拷贝。
- 错误写法：
df2.columns.values[1] = 'new_col'→ 直接写内存，原 df 列名也变 - 正确写法：
df2 = df2.rename(columns={df2.columns[1]: 'new_col'})或df2.columns = df2.columns.tolist()[:1] + ['new_col'] + df2.columns.tolist()[2:] - 极端情况需彻底隔离：用
import copy; df2 = pd.DataFrame(copy.deepcopy(df1.values), columns=copy.deepcopy(df1.columns), index=copy.deepcopy(df1.index))
SettingWithCopyWarning 出现时，其实没在操作副本
这个警告常被误解为“你在改副本”，实际恰恰相反：Pandas 不确定你是在改视图还是副本，而它更怕你**以为自己在改副本，结果却意外改了原数据**（比如布尔索引后赋值）。真正危险的是 df[mask]['col'] = x 这种链式赋值——它可能静默更新原 df，也可能什么都不做。
- 安全写法永远是：
df.loc[mask, 'col'] = x（明确就地写入原 df） - 想改副本？先显式拷贝：
df_sub = df[mask].copy()，再df_sub['col'] = x - 警告不是 bug，是 Pandas 在说：“我没法保证这行代码语义清晰，请你明确选一种意图”
最易忽略的点：列名、索引、数据数组三者的拷贝深度并不总是一致；只要涉及 .values、.array 或直接索引 .columns.values[i]，就可能跳出 Pandas 的保护层，触达共享内存。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
