Какие правила использует Pandas для создания представления или копии?

Я смущен правилами, которые использует Pandas, когда решает, что выбор из фрейма данных является копией исходного фрейма данных или представлением оригинала.

Если у меня, например,

df = pd.DataFrame(np.random.randn(8,8), columns=list('ABCDEFGH'), index=range(1,9))

Я понимаю, что a queryвозвращает копию, поэтому что-то вроде

foo = df.query('2 < index <= 5')
foo.loc[:,'E'] = 40

не повлияет на исходный фрейм данных df. Я также понимаю, что скалярные или именованные срезы возвращают представление, поэтому присвоения им, например

df.iloc[3] = 70

или

df.ix[1,'B':'E'] = 222

изменится df. Но я теряюсь, когда дело касается более сложных случаев. Например,

df[df.C <= df.B] = 7654321

меняется df, но

df[df.C <= df.B].ix[:,'B':'E']

не.

Есть ли простое правило, которое использует Pandas, которого мне просто не хватает? Что происходит в этих конкретных случаях; и, в частности, как мне изменить все значения (или подмножество значений) в фрейме данных, удовлетворяющем конкретному запросу (как я пытаюсь сделать в последнем примере выше)?

Примечание. Это не то же самое, что этот вопрос ; и я прочитал документацию , но не осведомлен о ней. Я также прочитал «Связанные» вопросы по этой теме, но мне все еще не хватает простого правила, которое использует Pandas, и того, как его применить, например, к изменению значений (или подмножества значений) в кадре данных, который удовлетворяет конкретному запросу.

Вот правила, последующее переопределение:

• Все операции генерируют копию

• Если inplace=Trueпредоставляется, он будет изменен на месте; только некоторые операции поддерживают это

• Индексатор, который устанавливает, например .loc/.iloc/.iat/.at, установит на место.

• Индексатор, который попадает на объект с одним типом, почти всегда является представлением (в зависимости от макета памяти это может быть не так, поэтому это ненадежно). Это в основном для эффективности. (приведенный выше пример предназначен для .query; это всегда будет возвращать копию в том виде, в котором она была оценена numexpr)

• Индексатор, который получает объект с несколькими типами, всегда является копией.

Ваш пример chained indexing

df[df.C <= df.B].loc[:,'B':'E']

не гарантируется работа (и поэтому вы никогда не должны этого делать).

Вместо этого сделайте:

df.loc[df.C <= df.B, 'B':'E']

так как это быстрее и всегда будет работать

Цепная индексация - это 2 отдельные операции Python, и поэтому pandas не может надежно ее перехватить (вы часто получаете a SettingWithCopyWarning, но это также не обнаруживается на 100%). Документы разработчиков , на которые вы указали, предлагают гораздо более полное объяснение.