如果您的DataFrame具有简单的列索引，则没有区别。例如，
In [8]: df = pd.DataFrame(np.arange(12).reshape(4,3), columns=list('ABC'))
In [9]: df.loc[:, ['A','B']]
Out[9]:
A B
0 0 1
1 3 4
2 6 7
3 9 10
In [10]: df.loc[:, ('A','B')]
Out[10]:
A B
0 0 1
1 3 4
2 6 7
3 9 10
但是，如果DataFrame具有MultiIndex，则可能会有很大的不同：
df = pd.DataFrame(np.random.randint(10, size=(5,4)),
columns=pd.MultiIndex.from_arrays([['foo']*2+['bar']*2,
list('ABAB')]),
index=pd.MultiIndex.from_arrays([['baz']*2+['qux']*3,
list('CDCDC')]))
# foo bar
# A B A B
# baz C 7 9 9 9
# D 7 5 5 4
# qux C 5 0 5 1
# D 1 7 7 4
# C 6 4 3 5
In [27]: df.loc[:, ('foo','B')]
Out[27]:
baz C 9
D 5
qux C 0
D 7
C 4
Name: (foo, B), dtype: int64
In [28]: df.loc[:, ['foo','B']]
KeyError: 'MultiIndex Slicing requires the index to be fully lexsorted tuple len (1), lexsort depth (0)'
KeyError表示必须对MultiIndex进行排序。如果我们这样做，那么我们仍然会得到不同的结果：
In [29]: df.sortlevel(axis=1).loc[:, ('foo','B')]
Out[29]:
baz C 9
D 5
qux C 0
D 7
C 4
Name: (foo, B), dtype: int64
In [30]: df.sortlevel(axis=1).loc[:, ['foo','B']]
Out[30]:
foo
A B
baz C 7 9
D 7 5
qux C 5 0
D 1 7
C 6 4
这是为什么？df.sortlevel(axis=1).loc[:, ('foo','B')]正在选择第一列级别等于foo，第二列级别等于的列B。
相反，df.sortlevel(axis=1).loc[:, ['foo','B']]正在选择第一列级别为foo或的列B。关于第一列级别，没有B列，但是有两foo列。
我认为Pandas的操作原理是，如果您将其df.loc[...]用作 表达式 ，则应假定df.loc可能正在返回副本或视图。Pandas文档未指定您应该遵循的任何规则。但是，如果您 分配 表格
df.loc[...] = value
那么您可以信任熊猫来改变df自己。
该文档之所以警告有关视图和副本之间的区别的原因，是为了使您意识到使用以下形式的链分配的陷阱
df.loc[...][...] = value
在这里，Pandasdf.loc[...]首先评估，它可以是视图或副本。现在，如果它是副本，则
df.loc[...][...] = value
正在更改的某些部分的副本df，因此对其df自身没有影响。更糟的是，由于没有引用副本，因此对副本的影响也会丢失，因此在赋值语句完成后就无法访问副本，因此（至少在cpython中）垃圾收集。
我不知道一种实用 的先验 方法来确定是否df.loc[...]要返回视图或副本。
但是，有一些经验法则可能有助于指导您的直觉（但是请注意，我们在这里讨论实现细节，因此不能保证熊猫将来会以这种方式行事）：
然而，有一个简单的方法来确定是否x = df.loc[..]是一个视图 一个postiori ：只需看看是否改变值x影响df。如果是，则为视图，否则x为副本。
602392714
清零编程群