基于已有列插入新列是 Pandas 里非常高频的操作。你可以用多种方式做到，但是否需要担心之前的“视图/副本”问题，取决于你是在原 DataFrame 上操作，还是在一个切片副本上操作。
下面先介绍几种主流方法，再说明它们和视图/副本的关系。
一、直接在原 DataFrame 上新增列（就地修改）
1. 直接赋值（最常用）
df['新列'] = df['旧列'] * 2这会直接修改 df，增加一列。这里没有视图/副本陷阱，因为你是对原始 DataFrame 做赋值。
2. df.insert() —— 指定插入位置
df.insert(loc=2, column='新列', value=df['旧列'] + 10)loc是列的索引位置（从 0 开始），新列会插入到这个位置。- 同样是就地修改原 DataFrame，无返回值（返回
None）。
3. df.eval() —— 字符串表达式
df.eval('新列 = 旧列1 + 旧列2', inplace=True) # 就地修改
# 或者
new_df = df.eval('新列 = 旧列1 + 旧列2') # 返回新 DataFrame适合复杂表达式，且可以高效地对大 DataFrame 操作（使用 numexpr 后端）。如果 inplace=False（默认），返回新对象。
二、返回新 DataFrame 的方法（不修改原数据）
4. df.assign() —— 链式调用友好
new_df = df.assign(新列=df['旧列'] ** 2)
# 可同时创建多列
new_df = df.assign(新列1=..., 新列2=...)assign永远不会修改原 DataFrame，它返回一个全新的 DataFrame（副本）。- 非常适合在管道操作中使用：
df.pipe(...).assign(...).groupby(...)
如果你写了 df = df.assign(...)，那相当于把原变量重新指向了新对象，原来的 DataFrame 如果没有被其他变量引用，就会被垃圾回收，效果上等同于修改，但语义上仍是创建了新对象。
三、视图/副本问题如何影响新列的添加？
你之前关心的核心是：“我从原 DataFrame 里取了一个子集出来，然后在子集上添加新列，原数据会变吗？”
答案是：通常不会，因为大部分切片操作返回的是副本，除非你拿到了一个视图。
典型陷阱示例：
df = pd.DataFrame({'A': [1,2,3], 'B': [4,5,6]})
# 用双层方括号取子集，这是副本！
sub = df[['A']] # 副本
sub['新列'] = sub['A'] * 10 # 只修改了 sub，不影响原 df
print(df) # 原 df 没有 '新列' 这一列
# 连续切片，可能是视图
sub2 = df.iloc[0:2] # 如果是视图（同构 dtype）
sub2['新列'] = 99 # 会直接修改原 df！
print(df)
# 可能会看到原 df 的前两行多了一列 '新列'，并且后面行为 NaN这就是“切片影响原数据”在新增列场景的体现：
如果你拿到的切片是视图，那你在这个视图上添加列，就是在原 DataFrame 上添加列。
如何避免这种意外？
- 永远在需要修改原数据时，直接使用原 DataFrame，而不是通过一个切片变量：
df.loc[0:2, '新列'] = df.loc[0:2, '旧列'] * 10 - 如果你想对子集做独立分析，不污染原数据，务必显式复制：
sub = df.iloc[0:2].copy() sub['新列'] = 99 # 这时只会影响 sub - 注意链式索引：
df['A'][0] = ...这种写法本身就容易产生副本，如果后面再加列，会在临时对象上加列，然后丢弃，原df不受影响。避免链式，统一使用.loc/.iloc。
四、总结与最佳实践
| 方法 | 是否修改原 DataFrame | 适用场景 |
|---|---|---|
df['新列'] = ... | ✅ 是（就地） | 快速添加单列 |
df.insert(...) | ✅ 是（就地） | 需要控制列的位置 |
df.eval(..., inplace=True) | ✅ 是（就地） | 复杂计算，大型数据 |
df.assign(...) | ❌ 返回新对象 | 链式操作，函数式风格 |
记住两个原则：
- 如果你希望原 DataFrame 发生变化，直接在它上面操作，不要通过一个来历不明的切片去操作。
- 如果你从一个 DataFrame 里切出了一个子集，准备独立地添加列、修改值，而不希望影响原数据，那就立即
.copy()。
有了这些认知，基于已有列插入新列就完全可控，不会踩坑。