Ответ 1
Если вы видите идентификаторы объектов различных DataFrames, которые вы создаете, вы можете четко видеть, что происходит.
Когда вы пишете df2 = df1, вы создаете переменную с именем df2 и привязываете ее к объекту с идентификатором 4541269200. Когда вы пишете df1 = pd.DataFrame([9,9,9]), вы создаете новый объект с идентификатором 4541271120 и привязываете его к переменной df1, но объект с id 4541269200 который ранее был привязан к df1 продолжает жить. Если бы не было никаких переменных, связанных с этим объектом, он получит мусор, собранный Python.
In[33]: import pandas as pd
In[34]: df1 = pd.DataFrame([1,2,3,4,5])
In[35]: id(df1)
Out[35]: 4541269200
In[36]: df2 = df1
In[37]: id(df2)
Out[37]: 4541269200 # Same id as df1
In[38]: df3 = df1.copy()
In[39]: id(df3)
Out[39]: 4541269584 # New object, new id.
In[40]: df4 = df1.copy(deep=False)
In[41]: id(df4)
Out[41]: 4541269072 # New object, new id.
In[42]: df1 = pd.DataFrame([9, 9, 9])
In[43]: id(df1)
Out[43]: 4541271120 # New object created and bound to name 'df1'.
In[44]: id(df2)
Out[44]: 4541269200 # Old object id not impacted.
Редактировать: Добавлено 30.07.2018
Глубокое копирование не работает в пандах, и разработчики считают, что переносить изменяемые объекты внутри DataFrame в качестве антипатерна. Рассмотрим следующее:
In[10]: arr1 = [1, 2, 3]
In[11]: arr2 = [1, 2, 3, 4]
In[12]: df1 = pd.DataFrame([[arr1], [arr2]], columns=['A'])
In[13]: df1.applymap(id)
Out[13]:
A
0 4515714832
1 4515734952
In[14]: df2 = df1.copy(deep=True)
In[15]: df2.applymap(id)
Out[15]:
A
0 4515714832
1 4515734952
In[16]: df2.loc[0, 'A'].append(55)
In[17]: df2
Out[17]:
A
0 [1, 2, 3, 55]
1 [1, 2, 3, 4]
In[18]: df1
Out[18]:
A
0 [1, 2, 3, 55]
1 [1, 2, 3, 4]
df2, если это была истинная глубокая копия, должны были иметь новые идентификаторы для списков, содержащихся в ней. В результате, когда вы изменяете список внутри df2, он также влияет на список внутри df1, потому что это те же объекты.