如何处理
SettingWithCopyWarning
这篇文章是为读者准备的,
-
-
想了解压制这种警告的不同方法
-
希望了解如何改进他们的代码,并遵循良好的实践,以避免在将来出现这种警告。
np.random.seed(0)
df = pd.DataFrame(np.random.choice(10, (3, 5)), columns=list('ABCDE'))
df
A B C D E
0 5 0 3 3 7
1 9 3 5 2 4
2 7 6 8 8 1
什么是
?
要知道如何处理这一警告,首先必须了解它的含义和提出原因。
过滤数据帧时,切片/索引一个帧可以返回
,或
,具体取决于内部布局和各种实现细节。顾名思义,“视图”是原始数据的视图,因此修改视图可能会修改原始对象。另一方面,“拷贝”是原始数据的复制,修改拷贝对原始数据没有影响。
如其他答案所述
设置复制警告
df
在上面的设置中。假设要选择“B”列中的所有值,其中“A”列中的值为5。熊猫允许你用不同的方式来做这件事,有些比其他更正确。例如,
df[df.A > 5]['B']
1 3
2 6
Name: B, dtype: int64
而且,
df.loc[df.A > 5, 'B']
1 3
2 6
Name: B, dtype: int64
它们返回相同的结果,因此如果您只读取这些值,则没有区别。那么,问题是什么?链式赋值的问题是,通常很难预测是否返回视图或副本,
在前面的示例基础上,考虑解释器如何执行此代码:
df.loc[df.A > 5, 'B'] = 4
# becomes
df.__setitem__((df.A > 5, 'B'), 4)
只有一个
__setitem__
数据框
. 哦,考虑一下这个代码:
df[df.A > 5]['B'] = 4
# becomes
df.__getitem__(df.A > 5).__setitem__('B", 4)
__getitem__
返回视图或副本
操作
可能不起作用
一般来说,你应该使用
loc
iloc
对于基于整数/位置的赋值,因为规范保证它们始终在原始值上操作。另外,对于设置单个单元格,应使用
at
和
iat
.
更多可以在
documentation
注意
所有布尔索引操作完成
位置
也可以用
. 唯一的区别是
iloc公司
索引或布尔值numpy数组的整数/位置,以及
例如,
df.loc[df.A > 5, 'B'] = 4
df.iloc[(df.A > 5).values, 1] = 4
而且,
df.loc[1, 'A'] = 100
可以写成
df.iloc[1, 0] = 100
等等。
考虑对
数据框
. 选择“A”并除以2将发出警告,但操作将起作用。
df2 = df[['A']]
df2['A'] /= 2
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/IPython/__main__.py:1: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead
df2
A
0 2.5
1 4.5
2 3.5
-
做一个
deepcopy
df2 = df[['A']].copy(deep=True)
df2['A'] /= 2
-
改变
pd.options.mode.chained_assignment
可以设置为
None
,
"warn"
"raise"
。
“警告”
是默认值。
无
将完全抑制警告,并且
“提高”
会抛出一个
SettingWithCopyError
pd.options.mode.chained_assignment = None
df2['A'] /= 2
@Peter Cotton
在评论中,提出了一种非侵入性地改变模式的好方法(从
this gist
)使用上下文管理器,仅在需要时设置模式,并在完成后将其重置回原始状态。
class ChainedAssignent:
def __init__(self, chained=None):
acceptable = [None, 'warn', 'raise']
assert chained in acceptable, "chained must be in " + str(acceptable)
self.swcw = chained
def __enter__(self):
self.saved_swcw = pd.options.mode.chained_assignment
pd.options.mode.chained_assignment = self.swcw
return self
def __exit__(self, *args):
pd.options.mode.chained_assignment = self.saved_swcw
# some code here
with ChainedAssignent():
df2['A'] /= 2
# more code follows
或者,提出例外
with ChainedAssignent(chained='raise'):
df2['A'] /= 2
SettingWithCopyError:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead
“XY问题”:我做错了什么?
XY problem
,其中用户试图解决问题“Y”,这实际上是根深蒂固的问题“X”的症状。将根据遇到此警告的常见问题提出问题,然后提出解决方案。
问题1
df
A B C D E
0 5 0 3 3 7
1 9 3 5 2 4
2 7 6 8 8 1
我想将“A”列中的值指定为5到1000。我的预期产出是
A B C D E
0 5 0 3 3 7
1 1000 3 5 2 4
2 1000 6 8 8 1
错误的方法:
df.A[df.A > 5] = 1000 # works, because df.A returns a view
df[df.A > 5]['A'] = 1000 # does not work
df.loc[df.A 5]['A'] = 1000 # does not work
位置
:
df.loc[df.A > 5, 'A'] = 1000
问题2
我正在尝试将单元格(1,'D')中的值设置为12345。我的预期产出是
A B C D E
0 5 0 3 3 7
1 9 3 5 12345 4
2 7 6 8 8 1
我试过不同的方法进入这个牢房,比如
df['D'][1]
一。这个问题与警告没有特别的关系,但是
很好地理解了如何正确地执行这个特殊的操作
未来。
df.loc[1, 'D'] = 12345
df.iloc[1, 3] = 12345
df.at[1, 'D'] = 12345
df.iat[1, 3] = 12345
问题3
我试图根据某些条件对值进行子集。我有一个
数据帧
A B C D E
1 9 3 5 2 4
2 7 6 8 8 1
我想把“D”中的值赋给123,这样“C”==5。我
df2.loc[df2.C == 5, 'D'] = 123
看起来不错,但我是
仍然
得到
设置复制警告
! 我该怎么解决?
df2
从更大的地方,比如
df2 = df[df.A > 5]
? 在这种情况下,布尔索引将返回一个视图,因此
df2型
df2型
给一个
:
df2 = df[df.A > 5].copy()
# Or,
# df2 = df.loc[df.A > 5, :]
我想把C列从
A B C D E
1 9 3 5 2 4
但是使用
df2.drop('C', axis=1, inplace=True)
投掷
设置复制警告
. 为什么会这样?
df2型
必须是从其他切片操作创建的视图,例如
df2=df[df.A>5]
copy()
属于
数据框
,或使用
