好的，各位编程界的少侠们，今天咱们就来聊聊 Pandas 里那些让人又爱又恨的 “视图” 和 “副本”！这俩家伙，就像武侠小说里的两个孪生兄弟，长得贼像，但性格却截然不同。搞不清楚他们，你的代码里就会时不时冒出个 SettingWithCopyWarning，就像个烦人的蚊子，嗡嗡嗡地叫个不停，让你抓狂！🤯
别怕，今天我就带你拨开云雾，彻底搞懂 Pandas 的视图与副本，让你从此告别 SettingWithCopyWarning，代码写得像行云流水一样流畅！
一、开场白：江湖传说之“SettingWithCopyWarning”
话说在 Pandas 的江湖里，流传着一个令人闻风丧胆的传说，叫做 SettingWithCopyWarning。这玩意儿，一旦冒出来，就意味着你的代码可能存在潜在的 bug，而且还很难找到！
就像一个武林高手，在你毫无防备的时候，突然给你来了一招“暗器”，让你防不胜防。
那么，这个“暗器”到底是怎么回事呢？这就要从 Pandas 的视图和副本说起了。
二、视图 (View)：影子武士，牵一发动全身
首先，我们来认识一下“视图”。 视图就像数据库里的视图一样，它并不是数据的真实副本，而只是指向原始数据的一个引用。 就像一个影子武士，虽然看起来和本体一模一样，但实际上只是本体的一个投影。
你可以把视图想象成一个“窗口”，透过这个窗口，你可以看到原始数据，并且可以对原始数据进行修改。但是，请注意，你修改的是原始数据，而不是视图本身！
这就好比你在一个玻璃上画画，你画的是玻璃后面的东西，而不是玻璃本身。
举个例子：
import pandas as pd
# 创建一个 DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 4, 5],
'B': [6, 7, 8, 9, 10]})
# 创建一个视图
view = df[df['A'] > 2]
# 修改视图
view['B'] = view['B'] + 100
# 查看原始 DataFrame
print(df)运行结果：
A B
0 1 6
1 2 7
2 3 108
3 4 109
4 5 110看到没？我们修改了 view，但是原始的 df 也跟着改变了！这就是视图的特性：牵一发动全身。
三、副本 (Copy)：分身术，互不干扰
与视图不同，副本是数据的真实复制。 就像一个武林高手使出的“分身术”，分身和本体虽然看起来一样，但却是两个独立的个体。
副本拥有自己的内存空间，对副本的修改不会影响原始数据。
你可以把副本想象成一个“照片”，照片上的内容和原始数据一样，但是你修改照片上的内容，不会影响原始数据。
继续用上面的例子：
import pandas as pd
# 创建一个 DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 4, 5],
'B': [6, 7, 8, 9, 10]})
# 创建一个副本 (使用 .copy() 方法)
copy = df[df['A'] > 2].copy()
# 修改副本
copy['B'] = copy['B'] + 100
# 查看原始 DataFrame
print(df)
# 查看副本
print(copy)运行结果：
A B
0 1 6
1 2 7
2 3 8
3 4 9
4 5 10
A B
2 3 108
3 4 109
4 5 110这次，我们修改了 copy，但是原始的 df 并没有受到影响！这就是副本的特性：互不干扰。
四、SettingWithCopyWarning：警钟长鸣，防患于未然
现在，我们终于可以揭开 SettingWithCopyWarning 的神秘面纱了。
这个 Warning 的出现，通常是因为 Pandas 无法确定你修改的是视图还是副本。 Pandas 觉得情况不明朗，所以就给你一个警告，提醒你小心！
SettingWithCopyWarning 并不是一个错误，而是一个警告。它告诉你，你的代码可能存在潜在的问题，需要仔细检查。
就像一个交通警察，在你闯红灯之前，先给你一个警告，让你注意安全。
那么，什么情况下会触发 SettingWithCopyWarning 呢？
通常，以下两种情况容易触发：
-
链式索引 (Chained Indexing)： 也就是连续使用多个
[]来访问 DataFrame 的元素。例如：
df[df['A'] > 2]['B'] = 100这种写法就很容易触发SettingWithCopyWarning。 因为 Pandas 无法确定df[df['A'] > 2]返回的是视图还是副本。 -
在视图上修改数据： 虽然有时候 Pandas 会返回视图，但是如果你在视图上直接修改数据，可能会导致意想不到的结果，因此 Pandas 会发出警告。
五、如何避免 SettingWithCopyWarning：独孤九剑，破尽天下武功
要避免 SettingWithCopyWarning，就像学习独孤九剑一样，需要掌握一些技巧和方法。
-
避免链式索引： 这是最重要的一点！
-
推荐做法：使用
.loc[]或者.iloc[]来进行索引。 这两种方法可以明确地告诉 Pandas 你要操作的是视图还是副本。 -
错误做法：使用链式索引
df[df['A'] > 2]['B'] = 100。
例如，把上面的错误代码改成：
import pandas as pd df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [6, 7, 8, 9, 10]}) # 使用 .loc[] 来避免 SettingWithCopyWarning df.loc[df['A'] > 2, 'B'] = 100 print(df)这样就不会触发
SettingWithCopyWarning了。 -
-
明确创建副本： 如果你需要对数据进行修改，并且不想影响原始数据，那么就明确地创建一个副本。
- 使用
.copy()方法： 例如，copy = df[df['A'] > 2].copy()。
- 使用
-
使用
.assign()方法：.assign()方法可以创建一个新的 DataFrame，并在其中添加或修改列。.assign()方法总是返回一个新的 DataFrame，因此不会触发SettingWithCopyWarning。
例如：
import pandas as pd df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [6, 7, 8, 9, 10]}) # 使用 .assign() 方法来添加新列 df = df.assign(C = df['A'] + df['B']) print(df) -
了解 Pandas 的行为： 了解 Pandas 在什么情况下会返回视图，什么情况下会返回副本。 这需要你多做实验，多阅读 Pandas 的官方文档。
-
忽略警告 (不推荐)： 虽然你可以使用
pd.options.mode.chained_assignment = None来忽略SettingWithCopyWarning，但是我不推荐这样做。 因为这会掩盖潜在的问题，可能会导致更大的 bug。 就像把家里的警报器关掉，虽然暂时清静了，但是如果真的发生了火灾，就危险了。
六、总结：武林秘籍，融会贯通
好了，各位少侠，今天我们一起学习了 Pandas 的视图与副本，以及如何避免 SettingWithCopyWarning。
记住以下几点：
- 视图是原始数据的引用，修改视图会影响原始数据。
- 副本是数据的真实复制，修改副本不会影响原始数据。
SettingWithCopyWarning并不是一个错误，而是一个警告，提醒你小心。- 避免链式索引，使用
.loc[]或者.iloc[]来进行索引。 - 明确创建副本，使用
.copy()方法。 - 使用
.assign()方法来添加或修改列。 - 了解 Pandas 的行为。
- 不要忽略警告。
掌握了这些技巧，你就可以在 Pandas 的江湖里自由驰骋，写出更加健壮、更加优雅的代码了！ 🚀
七、一些补充说明
-
表格总结
特性 视图 (View) 副本 (Copy) 数据存储 指向原始数据 拥有自己的内存空间 修改影响 修改视图会影响原始数据 修改副本不会影响原始数据 创建方式 某些操作 (例如：切片、条件筛选) 可能返回视图 使用 .copy()方法明确创建SettingWithCopyWarning容易触发 通常不会触发 适用场景 需要直接操作原始数据，节省内存 需要对数据进行修改，但不希望影响原始数据 -
Debug 小技巧
当你遇到
SettingWithCopyWarning时，不要慌张。- 仔细阅读警告信息： 警告信息会告诉你哪一行代码触发了警告。
- 检查索引方式： 看看你是否使用了链式索引。
- 使用
.is_copy属性： 你可以使用.is_copy属性来查看一个 DataFrame 是否是另一个 DataFrame 的视图。 例如：print(view.is_copy)。 - 使用
traceback模块： 你可以使用traceback模块来查看代码的调用堆栈，帮助你找到问题的根源。
-
代码示例
以下是一些常见的代码示例，展示了如何避免
SettingWithCopyWarning：import pandas as pd # 创建一个 DataFrame df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [6, 7, 8, 9, 10]}) # 1. 使用 .loc[] 来修改数据 df.loc[df['A'] > 2, 'B'] = 100 # 2. 创建副本后再修改 copy = df[df['A'] > 2].copy() copy['B'] = 200 # 3. 使用 .assign() 方法来添加新列 df = df.assign(C = df['A'] * df['B']) # 4. 如果需要对 DataFrame 进行复杂的转换，可以使用 .pipe() 方法 def transform(df): df = df.copy() # 确保操作的是副本 df['D'] = df['A'] + df['B'] + df['C'] return df df = df.pipe(transform) print(df)
八、结语：江湖路远，砥砺前行
Pandas 的世界博大精深，视图与副本只是其中的一部分。 学习编程就像练武功，需要不断地学习、实践、总结。 只有掌握了扎实的基础知识，才能在编程的道路上越走越远。
希望这篇文章能帮助你更好地理解 Pandas 的视图与副本，让你在编程的道路上少走弯路。
祝你编程愉快！ 🍻