固定功能的行为不一致

嗯，这是因为在您的“失败案例”中，df["z"].values返回的是存储在列中的副本。它与numba函数无关：'z'df

>>> import pandas as pd
>>> import numpy as np
>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> np.shares_memory(df['z'].values, df['z'])
False

在“工作案例”中，它是该'z'列的视图：

>>> df = pd.DataFrame([[0, 3, 1, np.nan]], columns=['v', 'y', 'x', 'z'])
>>> np.shares_memory(df['z'].values, df['z'])
True

NB：实际上很有趣，因为复制是df['z']在您访问而不是时创建的.values。

这里的要点是，您不能期望索引DataFrame或访问.valuesSeries的索引将始终返回视图。因此，就地更新列可能不会更改原始值。不仅重复的列名可能是一个问题。当属性values返回副本且返回属性时，视图并不总是清晰的（除非pd.Series它始终是视图）。但这只是实现细节。因此，在这里依赖特定行为绝不是一个好主意。作出的唯一保证.values是它返回numpy.ndarray包含相同值的。

但是，只需z从函数返回修改后的列，就很容易避免该问题：

import numba as nb
import numpy as np
import pandas as pd

@nb.njit
def f_(n, x, y, z):
    for i in range(n):
        z[i] = x[i] * y[i] 
    return z  # this is new

然后将函数的结果分配给该列：

>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> df['z'] = f_(df.shape[0], df["x"].values, df["y"].values, df["z"].values)
>>> df
   v  y  v  x    z
0  0  3  0  1  3.0

>>> df = pd.DataFrame([[0, 3, 1, np.nan]], columns=['v', 'y', 'x', 'z'])
>>> df['z'] = f_(df.shape[0], df["x"].values, df["y"].values, df["z"].values)
>>> df
   v  y  x    z
0  0  3  1  3.0

如果您对当前在您的特定情况下发生的事情感兴趣（如我所提到的，我们在这里讨论实现细节，那么请不要按照给出的那样进行。这只是现在实现的方式）。如果您有DataFrame，它将dtype在多维NumPy数组中存储具有相同列的列。如果您访问该blocks属性，则可以看到此信息（已弃用，因为内部存储在不久的将来可能会更改）：

>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> df.blocks
{'float64':
     z
  0  NaN
 , 
 'int64':
     v  y  v  x
  0  0  3  0  1}

通常，通过将列名转换为相应块的列索引，可以很容易地在该块中创建视图。但是，如果列名重复，则不能保证访问任意列都是视图。例如，如果要访问，'v'则必须用索引0和2索引Int64块：

>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> df['v']
   v  v
0  0  0

从技术上讲，可以将未重复的列索引为视图（在这种情况下，甚至对于重复的列，例如通过使用，Int64Block[::2]但这是非常特殊的情况...）。如果有重复的列名，Pandas选择安全选项总是返回一个副本（如果考虑一下，这是很有意义的。为什么索引一个列返回一个视图，而另一个索引则返回一个副本）。的索引DataFrame具有对重复列的显式检查，并对其进行不同的处理（产生副本）：

    def _getitem_column(self, key):
        """ return the actual column """

        # get column
        if self.columns.is_unique:
            return self._get_item_cache(key)

        # duplicate columns & possible reduce dimensionality
        result = self._constructor(self._data.get(key))
        if result.columns.is_unique:
            result = result[key]

    return result

这columns.is_unique是重要的一行。这是True你的“正常情况”，但“假”的“失败案例”。