pandas rename 함수 / astype 함수 / Pandas의 View 와 Copy 반환

rename 함수

함수 이름	pandas.DataFrame.rename()
역할	데이터프레임의 행(인덱스) 또는 열(컬럼)의 이름을 변경
왜 사용?	데이터 정리를 위해 컬럼명을 직관적으로 변경하거나, 불필요한 특수문자를 제거할 때 사용
어떻게 동작?	columns 또는 index 매개변수를 사용하여 딕셔너리 형태로 변경할 이름을 지정
기본 문법	df.rename(columns={'old_name': 'new_name'}, index={0: 'first_row'}, inplace=False)
inplace 옵션	True로 설정하면 원본 데이터프레임을 직접 변경, False면 변경된 복사본을 반환
주의할 점	딕셔너리에 없는 컬럼이나 인덱스는 변경되지 않음

 

 

astype 함수

함수 이름	pandas.DataFrame.astype()
역할	데이터프레임의 특정 열(컬럼) 또는 전체 데이터의 자료형을 변환
왜 사용?	연산을 위해 정수↔문자 변환, 메모리 최적화, 데이터 정제 등의 목적
어떻게 동작?	astype() 함수에 변환할 자료형을 딕셔너리 형태 또는 단일 타입으로 전달
기본 문법	df.astype({'컬럼명': 타입}) 또는 df['컬럼명'].astype(타입)
inplace 옵션	없음. 원본을 유지하고 변환된 새로운 데이터프레임 반환
주의할 점	변환 불가능한 데이터가 있을 경우 오류 발생 (errors='ignore' 또는 'coerce' 옵션 사용 가능)

 

📝 errors 옵션 비교 표

옵션의미 (영어 해석)설명동작 방식예제 결과 (문자 → 숫자 변환 시)

errors='raise' (기본값)	raise = 오류를 발생시키다	변환할 수 없는 값이 있으면 즉시 오류 발생	변환 실패 시 ValueError 발생	'123' → 123, 'abc' → ❌ 오류 발생
errors='ignore'	ignore = 무시하다	변환할 수 없는 값이 있으면 무시하고 원래 값 유지	변환 가능하면 변환, 불가능하면 기존 값 유지	'123' → 123, 'abc' → 'abc'
errors='coerce'	coerce = 강제로 바꾸다	변환할 수 없는 값은 NaN(결측치)로 대체	변환 가능하면 변환, 불가능하면 NaN으로 변환	'123' → 123, 'abc' → NaN

 

✅ 'raise'는 변환 불가능하면 오류 발생
✅ 'ignore'는 변환 불가능하면 기존 값 유지
✅ 'coerce'는 변환 불가능하면 NaN으로 변환

 

 

📌 copy=True가 원래 어떻게 동작해야 할까?

• copy=True는 새로운 데이터프레임을 만들어 반환하므로, 원본 df는 영향을 받지 않아야 합니다.
• 하지만 df_copy['A'][0] = 100 같은 코드가 실행되면, 내부적으로 원본이 수정될 수도 있습니다.
• Pandas에서는 .loc[]을 사용하지 않으면, **"원본을 수정할 수도 있고 아닐 수도 있는 애매한 상황"**이 발생할 수 있어요.

🧐 .loc[]을 사용하지 않으면 왜 애매한 상황이 발생할까?

Pandas에서는 기본적인 슬라이싱(df['A'][0] = 값)을 사용하면, 원본이 변경될 수도 있고 안 될 수도 있는 애매한 상황이 발생할 수 있어요.
이것은 "뷰(View)와 복사본(Copy)" 문제 때문인데, Pandas는 상황에 따라 데이터의 참조(View)를 반환할 수도 있고, 새로운 복사본(Copy)을 반환할 수도 있기 때문입니다.

---

1️⃣ Pandas는 언제 View를 반환하고 언제 Copy를 반환할까?

Pandas에서 데이터프레임을 조작할 때, 두 가지 방식이 존재합니다.

• ✅ View(참조) 반환: 원본 데이터와 메모리를 공유 → 값을 변경하면 원본도 같이 변경될 수 있음
• ✅ Copy(복사본) 반환: 원본과 독립적인 새로운 데이터 생성 → 값을 변경해도 원본에는 영향 없음

그러나 Pandas는 특정한 경우에 자동으로 View를 줄지, Copy를 줄지 결정하는데,
이 규칙이 완전히 명확하지 않아서 개발자가 예상하지 못한 동작이 나올 수 있어요.

---

2️⃣ 예제 1: 슬라이싱 시 View가 반환될 수도 있고 Copy가 반환될 수도 있는 경우

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4, 5]})

df_subset = df[:3]  # 원본의 일부를 슬라이싱

df_subset['A'][0] = 100  # 첫 번째 값 변경 시 원본에도 영향을 줄까?
print(df)

 

 

🔹 결과가 항상 일정하지 않을 수 있음!

• 어떤 경우에는 df_subset이 **원본 df의 View(참조)**라서 df_subset['A'][0]을 바꾸면 원본도 변함
• 어떤 경우에는 df_subset이 **새로운 복사본(Copy)**이라서 원본이 변하지 않음

이런 애매한 동작이 있기 때문에, Pandas에서는 아래와 같은 경고를 띄웁니다.

SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame

즉, 슬라이싱된 데이터가 원본의 View인지 Copy인지 확실하지 않으므로, 변경하면 안 된다는 경고입니다.

 

3️⃣ .loc[]를 사용하면 항상 Copy or View를 명확하게 지정할 수 있음

위와 같은 애매한 동작을 피하려면 .loc[]를 사용하여 직접 값을 변경해야 합니다.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4, 5]})

df_subset = df[:3]  # 원본의 일부를 슬라이싱

df_subset.loc[0, 'A'] = 100  # 확실하게 원본 데이터의 값을 변경

print(df)

✅ .loc[]를 사용하면 원본 데이터가 명확하게 수정됨!
✅ df_subset.loc[0, 'A'] = 100을 하면, df_subset이 View인지 Copy인지 관계없이 확실하게 df[0, 'A'] 값이 바뀝니다.

 

🚀 결론

✔ .loc[] 없이 df['A'][0] = 값 같은 방식으로 데이터를 수정하면, 원본이 바뀔 수도 있고 안 바뀔 수도 있음
✔ Pandas의 "View vs Copy" 동작 방식이 항상 일관되지 않기 때문에, .loc[]을 사용하여 명확하게 데이터 변경을 지정하는 것이 안전
✔ Pandas가 "SettingWithCopyWarning"을 띄우는 이유도 바로 이 문제 때문

그래서 Pandas에서는 .loc[]을 사용하여 원본을 직접 수정하는 것이 가장 안전한 방법입니다!

 

표로 정리

✅ .loc[] 사용	명확하게 원본을 직접 수정	df.loc[0, 'A'] = 100	항상 원본이 변경됨	안전하고 예측 가능
⚠ 슬라이싱 후 수정 (df['A'][0] = 값)	원본이 변경될 수도 있고, 아닐 수도 있음 (View or Copy 문제)	df_subset = df[:3] df_subset['A'][0] = 100	Pandas 내부 동작에 따라 다름	SettingWithCopyWarning 발생 가능
⚠ copy=False 사용 (astype 예제)	원본을 직접 수정하려 하지만, 내부적으로 복사될 수도 있음	df_new = df.astype(int, copy=False)	상황에 따라 다름	원본이 변할 수도 있고 아닐 수도 있음
✅ copy=True 사용 (astype 예제)	원본을 유지하고 새로운 복사본을 반환	df_new = df.astype(int, copy=True)	항상 원본 유지됨	원본을 안전하게 보호