Изменение значений в панде датафрейм не работает

Ответ 1

Индексирование объектов Panda может возвращать два принципиально разных объекта: вид или копию.

Если mask - основной срез, то df.ix[mask] возвращает вид df. Представления разделяют те же базовые данные, что и исходный объект (df). Таким образом, изменение вида также изменяет исходный объект.

Если mask является чем-то более сложным, например, произвольной последовательностью индексов, то df.ix[mask] возвращает копию некоторых строк в df. Изменение копии не влияет на оригинал.

В вашем случае, поскольку строки, которые имеют один и тот же wave_path, происходят в произвольных местах, ind_res.ix[example_file] возвращает копию. Так

ind_res.ix[example_file]['isUsed'] = True

не влияет на ind_res.

Вместо этого вы можете использовать

ind_res.ix[example_file, 'isUsed'] = True

чтобы изменить ind_res. Однако, см. Ниже предложение groupby, которое, я думаю, может быть ближе к тому, что вы действительно хотите.

Джефф уже предоставил ссылку в Pandas docs, в которой указано, что

Правила о том, когда возвращается представление данных, полностью зависит от NumPy.

Вот (сложные) правила, которые описывают, когда возвращается представление или копия. В принципе, однако, правило заключается в том, что индекс запрашивает регулярный промежуток среза базового массива, после чего возвращается представление, в противном случае возвращается копия (по необходимости).

Вот простой пример, который использует основной срез. Вид возвращается df.ix, поэтому модификация subdf также изменяет df:

import pandas as pd
import numpy as np

df = pd.DataFrame(np.arange(12).reshape(4,3), 
         columns=list('ABC'), index=[0,1,2,3])

subdf = df.ix[0]
print(subdf.values)
# [0 1 2]
subdf.values[0] = 100
print(subdf)
# A    100
# B      1
# C      2
# Name: 0, dtype: int32

print(df)           # df is modified
#      A   B   C
# 0  100   1   2
# 1    3   4   5
# 2    6   7   8
# 3    9  10  11

Вот простой пример, который использует "причудливую индексацию" (произвольные строки выбраны). Копия возвращается df.ix. Поэтому изменение subdf не влияет на df.

df = pd.DataFrame(np.arange(12).reshape(4,3), 
         columns=list('ABC'), index=[0,1,0,3])

subdf = df.ix[0]
print(subdf.values)
# [[0 1 2]
#  [6 7 8]]

subdf.values[0] = 100
print(subdf)
#      A    B    C
# 0  100  100  100
# 0    6    7    8

print(df)          # df is NOT modified
#    A   B   C
# 0  0   1   2
# 1  3   4   5
# 0  6   7   8
# 3  9  10  11

Обратите внимание, что единственное различие между двумя примерами заключается в том, что в первом, где возвращается представление, индекс был [0,1,2,3], тогда как во втором, где копия возвращается, индекс был [0,1,0,3].

Поскольку мы выбираем строки, где индекс равен 0, в первом примере мы можем сделать это с помощью основного среза. Во втором примере строки, в которых индекс равен 0, могут появляться в произвольных местах, поэтому копия должна быть возвращена.

Несмотря на то, что набросал тонкость Pandas/NumPy, я действительно не думаю, что

ind_res.ix[example_file, 'isUsed'] = True

- это то, что вы в конечном счете ищете. Вероятно, вы захотите сделать что-то более похожее на

import pandas as pd
import numpy as np

df = pd.DataFrame(np.arange(12).reshape(4,3), 
                  columns=list('ABC'))
df['A'] = df['A']%2
print(df)
#    A   B   C
# 0  0   1   2
# 1  1   4   5
# 2  0   7   8
# 3  1  10  11

def calculation(grp):
    grp['C'] = True
    return grp

newdf = df.groupby('A').apply(calculation)
print(newdf)

что дает

   A   B     C
0  0   1  True
1  1   4  True
2  0   7  True
3  1  10  True