我喜欢 pandas 并且已经使用了多年，并且我非常有信心我能够很好地处理如何对数据帧进行子集化以及适本地处理 View 与副本(尽管我使用了很多断言来确定)。我也知道有很多关于 SettingWithCopyWarning 的问题，例如How to deal with SettingWithCopyWarning in Pandas? 以及最近一些很棒的指南，可以在发生这种情况时将头缠住，例如Understanding SettingWithCopyWarning in pandas .

但我也知道一些具体的事情，比如来自 this answer 的引用。不再在最新的文档 (0.22.0) 中，并且多年来许多东西已被弃用(导致一些不合适的旧 SO 答案)，并且这些东西是 continuing to change .

最近在教 pandas 完成新手的学习后，他们掌握了非常基本的 Python 知识，比如避免链式索引(以及使用 .iloc/.loc)，我已经仍然难以提供一般经验法则以了解何时需要注意 SettingWithCopyWarning(例如何时可以安全地忽略它)。

我个人发现，根据某些规则(例如切片或 bool 运算)对数据帧进行子集化然后修改该子集的特定模式，独立于原始数据帧比文档建议的常见操作。在这种情况下，我们希望修改副本而不是原件，并且警告会让新手感到困惑/害怕。

我知道提前知道何时返回 View 与副本并非易事，例如
What rules does Pandas use to generate a view vs a copy?
Checking whether data frame is copy or view in Pandas

因此，我正在寻找更一般(初学者友好)问题的答案:何时对子集数据帧执行操作会影响创建它的原始数据帧，它们何时独立？ 。

我在下面创建了一些我认为合理的案例，但我不确定我是否遗漏了“陷阱”，或者是否有任何更简单的方法来思考/检查这一点。我希望有人可以确认我对以下用例的直觉与我上面的问题有关。

import pandas as pd
df1 = pd.DataFrame({'A':[2,4,6,8,10],'B':[1,3,5,7,9],'C':[10,20,30,40,50]})

1) 警告:否
原始更改:否

# df1 will be unaffected because we use .copy() method explicitly 
df2 = df1.copy()
#
# Reference: docs
df2.iloc[0,1] = 100

2) 警告:是的(我不太明白为什么)
原始更改:否

# df1 will be unaffected because .query() always returns a copy
#
# Reference:
# https://stackoverflow.com/a/23296545/8022335
df2 = df1.query('A < 10')
df2.iloc[0,1] = 100

3) 警告:是
原始更改:否

# df1 will be unaffected because boolean indexing with .loc
# always returns a copy
#
# Reference:
# https://stackoverflow.com/a/17961468/8022335
df2 = df1.loc[df1['A'] < 10,:]
df2.iloc[0,1] = 100

4) 警告:否
原始更改:否

# df1 will be unaffected because list indexing with .loc (or .iloc)
# always returns a copy
#
# Reference:
# Same as 4)
df2 = df1.loc[[0,3,4],:]
df2.iloc[0,1] = 100

5) 警告:否
原作改动:是(让新手感到困惑，但有道理)

# df1 will be affected because scalar/slice indexing with .iloc/.loc
# always references the original dataframe, but may sometimes 
# provide a view and sometimes provide a copy
#
# Reference: docs
df2 = df1.loc[:10,:]
df2.iloc[0,1] = 100

tl;博士 从原始数据框创建新数据框时，更改新数据框:
当标量/切片索引与 .loc/.iloc 用于创建新数据帧时，将更改原始数据。
不会在使用.loc、.query()或.copy()的 bool 索引来创建新的数据框

最佳答案

这对 pandas 来说有点令人困惑甚至令人沮丧，但如果您遵循一些简单的工作流程规则，在大多数情况下您不必担心这一点。特别要注意，当您有两个数据帧时，这里只有两种一般情况，其中一个是另一个的子集。

在这种情况下，Python 的禅宗规则“显式优于隐式”是一个很好的指导方针。

案例 A:对 df2 的更改不应影响 df1

当然，这是微不足道的。您需要两个完全独立的数据框，因此您只需明确地制作一个副本:

df2 = df1.copy()

在此之后，您对 df2 所做的任何事情都只会影响 df2 而不会影响 df1，反之亦然。

案例 B:对 df2 的更改也会影响 df1

在这种情况下，我认为没有一种通用的方法可以解决问题，因为这完全取决于您想要做什么。但是，有一些标准方法非常简单明了，它们的工作方式不应有任何歧义。

方法一:复制df1到df2，然后用df2更新df1

在这种情况下，您基本上可以对上面的示例进行一对一的转换。这是示例 #2:

df2 = df1.copy()
df2 = df1.query('A < 10')
df2.iloc[0,1] = 100

df1 = df2.append(df1).reset_index().drop_duplicates(subset='index').drop(columns='index')

不幸的是，通过 append 重新合并有点冗长。您可以使用以下方法更简洁地完成此操作，尽管它具有将整数转换为 float 的副作用。

df1.update(df2)   # note that this is an inplace operation

方法2:使用掩码(根本不要创建df2)

我认为这里最好的通用方法根本不是创建 df2，而是让它成为 df1 的掩码版本。有点遗憾的是，您无法直接翻译上述代码，因为它混合了 loc 和 iloc，这对于本示例来说很好，但对于实际使用可能不切实际。

优点是可以编写非常简单易读的代码。这是上面示例 #2 的替代版本，其中 df2 实际上只是 df1 的掩码版本。但不是通过 iloc 进行更改，而是在列“C”== 10 时进行更改。

df2_mask = df1['A'] < 10
df1.loc[ df2_mask & (df1['C'] == 10), 'B'] = 100

现在，如果您打印 df1 或 df1[df2_mask]，您将看到每个数据帧第一行的“B”列 = 100。显然这在这里并不令人惊讶，但这就是遵循“显式胜于隐式”的固有优势。

关于python - Pandas:知道操作何时影响原始数据帧，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48173980/