原文鏈接：https://www.dataquest.io/blog/settingwithcopywarning/
原文標題：Understanding SettingwithCopyWarning in pandas
原文發佈時間：5 JULY 2017（需要注意時效性，文中有一些方法已經棄用，比如 ix）
作者：Benjamin Pryke
譯者：Ivy Lee
學習 Python 數據分析的同學總是遇到這個警告，查詢中文資料，一般只能找到個別的解決辦法，不一定適用於自己遇到的情況。查到的最常見解決辦法就是直接設置爲不顯示警告。這實際上並不能解決問題，搜索資料發現這篇英文講解SettingWithCopyWarning原理非常系統的文章，翻譯了一下，分享給大家。
太長不看
一、解決方案：學會識別鏈式索引，不惜一切代價避免使用鏈式索引
注意：如果你看不懂這裏的解決方案，請閱讀此文的前半部分，直到真正理解如何去做
1. 如果要更改原始數據，請使用單一賦值操作（loc）：
data.loc[data.bidder == 'parakeet2004', 'bidderrate'] = 100
2. 如果想要一個副本，請確保強制讓 Pandas 創建副本：
winners = data.loc[data.bid == data.price].copy()
winners.loc[304, 'bidder'] = 'therealname'
二、強烈不推薦直接關閉警告，不過還是提供一下關閉警告的設置方法：
pd.set_option('mode.chained_assignment', None)
三、深度解析底層代碼和歷史演變（可選閱讀）
以下是正文部分：
SettingWithCopyWarning 是人們在學習 Pandas 時遇到的最常見的障礙之一。搜索引擎可以搜索到 Stack Overflow 上的問答、GitHub issues 和一些論壇帖子，分別提供了該警告在某些特定情況下的含義。會有這麼多人同樣遇到這個警告並不奇怪：有很多方法可以索引 Pandas 數據結構，每種數據結構都有各自的細微差別，甚至 Pandas 本身並不能保證兩行代碼的運行結果看起來完全相同。
本指南包含了生成警告的原因及解決方案，其中還包括一些底層細節，讓你更好地瞭解代碼內部的運行機制，最後提供了有關該話題的一些歷史情況，解釋代碼底層以這樣的方式運行的原因。
爲了探索 SettingWithCopyWarning，我們將使用 eBay 3 天拍賣出售的 Xbox 的價格數據集，該數據集出自 Modelling Online Auctions 一書。先來了解下數據的基本結構：
import Pandas as pd
data = pd.read_csv('xbox-3-day-auctions.csv')
data.head()
如你所見，數據集的每一行都是某一次 eBay Xbox 出價信息。下面是對數據集中每列的簡要說明：
auctionid- 每次拍賣的唯一標識符bid- 本次拍賣出價bidtime- 拍賣的時長，以天爲單位，從投標開始累計bidder- 投標人的 eBay 用戶名bidderrate- 投標人的 eBay 用戶評級openbid- 賣方爲拍賣設定的開標價price- 拍賣結束時的中標價
什麼是 SettingWithCopyWarning？
首先要理解的是，SettingWithCopyWarning 是一個警告 Warning，而不是錯誤 Error。
錯誤表明某些內容是“壞掉”的，例如無效語法（invalid syntax）或嘗試引用未定義的變量；警告的作用是提醒編程人員，他們的代碼可能存在潛在的錯誤或問題，但是這些操作在該編程語言中依然合法。在這種情況下，警告很可能表明一個嚴重但不容易意識到的錯誤。
SettingWithCopyWarning 告訴你，你的操作可能沒有按預期運行，需要檢查結果以確保沒有出錯。
如果代碼確實按預期工作，那麼我們會很容易忽略該警告，但是 SettingWithCopyWarning不應該被忽略。在進行下一步操作之前，我們需要花點時間瞭解這一警告顯示的原因。
要了解 SettingWithCopyWarning，首先要知道，Pandas 中的某些操作會返回數據的視圖（View），某些操作會返回數據的副本（Copy）。
View VS Copy
如上所示，左側的視圖 df2 只是原始數據 df1 一個子集，而右側的副本創建了一個新的對象 df2。
當我們嘗試對數據集進行更改時，這可能會出現問題：
修改視圖或副本
根據需求，我們可能想要修改原始 df1（左），也可能想要修改 df2（右）。警告提醒我們，代碼可能並沒有符合需求，修改到的可能並不是我們想要修改的那個數據集。
稍後會深入研究這個問題，但是現在先來了解一下，警告出現的兩個主要原因以及對應的解決方案。
鏈式賦值（Chained Assignment）
當 Pandas 檢測到鏈式賦值（Chained Assignment）時會生成警告。爲了方便後續的解釋，先來解釋一些術語：
- 賦值（Assignment） - 設置某些變量值的操作，例如
data = pd.read_csv('xbox-3-day-auctions.csv')，有時會將這個操作稱之爲 設置（Set） - 訪問（Access） - 返回某些值的操作，具體參照下方的索引和鏈式索引示例。有時會將這個操作稱之爲 獲取（Get）
- 索引（Indexing） - 任何引用數據子集的賦值或訪問方法，例如
data[1:5] - 鏈式索引（Chaining） - 連續使用多個索引操作，例如
data[1:5][1:3]
鏈式賦值是鏈式索引和賦值的組合。先快速瀏覽一下之前加載的數據集，稍後將詳細介紹。在這個例子中，假設我們瞭解到用戶'parakeet2004'的bidderrate值不正確，需要修改這個bidderrate值，那麼先來查看一下用戶'parakeet2004'的當前值：
data[data.bidder == 'parakeet2004']
有三行數據需要更新bidderrate字段，繼續操作：
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
/Library/Frameworks/Python.framework/Versions/36/lib/python3.6/ipykernel/__main__.py:1:SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from aDataFrame.
Try using .loc[row_indexer,col_indexer] = value instead
See the caveats in the documentation:http://Pandas.pydata.org/Pandas-docs/stable/indexinghtml#indexing-view-versus-copy
if __name__ == '__main__':
神奇！我們“創造”出了SettingWithCopyWarning！
檢查一下用戶'parakeet2004'的相關值，可以看到值沒有按預期改變：
data[data.bidder == 'parakeet2004']
這次警告是因爲將兩個索引操作鏈接在一起，直接使用了兩次方括號的鏈式索引比較容易理解。但如果使用其他訪問方法，例如.bidderrate、.loc[]、.iloc[]、.ix[]，也會如此，這次的鏈式操作有：
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
以上兩個鏈式操作一個接一個地獨立執行。第一次鏈式操作是爲了 Get，返回一個 DataFrame，其中包含所有 bidder 等於 'parakeet2004' 的行；第二次鏈式操作是爲了 Set，是在這個新返回的 DataFrame 上運行的，並沒有修改原始的 DataFrame。
這種情況對應的解決方案很簡單：使用 loc 將兩次鏈式操作組合成一步操作，確保 Pandas 進行 Set 的是原始 DataFrame。Pandas 始終確保下面這樣的非鏈式 Set 操作起作用：
# 設置新值
data.loc[data.bidder == 'parakeet2004', 'bidderrate'] = 100
# 檢查結果
data[data.bidder == 'parakeet2004']['bidderrate']
6 100
7 100
8 100
Name: bidderrate, dtype: int64
這就是警告的文本（Try using .loc[row_indexer,col_indexer] = value instead）中建議的操作，在這種情況下完美適用。
隱蔽的鏈式操作（Hidden chaining）
現在來看遇到SettingWithCopyWarning的第二種常見方式。創建一個新的 DataFrame 來探索中標者數據，因爲現在已經學習了鏈式賦值的內容，請注意使用 loc：
winners = data.loc[data.bid == data.price]
winners.head()
winners變量可能會被用來編寫一些後續代碼：
mean_win_time = winners.bidtime.mean()
... # 20 lines of code
mode_open_bid = winners.openbid.mode()
我們在偶然間發現了一個數據錯誤：標記爲304的行中缺少了bidder值：
winners.loc[304, 'bidder']
nan
對這個例子來說，假設我們已知該投標人的真實用戶名，並據此更新數據：
winners.loc[304, 'bidder'] = 'therealname'
/Library/Frameworks/Python.framework/Versions/36/lib/python3.6/Pandas/core/indexing.py:517:SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from aDataFrame.
Try using .loc[row_indexer,col_indexer] = value instead
See the caveats in the documentation: http://Pandas.pydata.org/Pandas-docs/stable/indexing.html#indexing-view-versus-copy
self.obj[item] = s
SettingWithCopyWarning又出現啦！但是這次使用了loc，爲什麼還會出現？來看代碼的結果：
print(winners.loc[304, 'bidder'])
therealname
代碼確實起了預期的作用，爲什麼仍然出現警告？
鏈式索引可能在一行代碼內發生，也可能跨越兩行代碼。因爲 winners 變量是作爲 Get 操作的輸出創建的（data.loc[data.bid == data.price]），它可能是原始 DataFrame 的副本，也可能不是，除非檢查，否則我們不能確認。對 winners 進行索引時，實際上使用的就是鏈式索引。
這意味着當我們嘗試修改 winners 時，可能也修改了 data。
在實際的代碼中，相關的兩行鏈式索引代碼之間，可能相距很多行其他代碼，追蹤問題可能會更困難，但大致情況是與示例類似的。
這種情況下的警告解決方案是：創建新 DataFrame 時明確告知 Pandas 創建一個副本：
winners = data.loc[data.bid == data.price].copy()
winners.loc[304, 'bidder'] = 'therealname'print(winners.loc[304, 'bidder'])
print(data.loc[304, 'bidder'])
therealname
nan
就這麼簡單！
竅門就是，學會識別鏈式索引，不惜一切代價避免使用鏈式索引。如果要更改原始數據，請使用單一賦值操作。如果你想要一個副本，請確保你強制讓 Pandas 創建副本。這樣既可以節省時間，也可以使代碼保持邏輯嚴密。
另外請注意，即使 SettingWithCopyWarning 只在你進行 Set 時纔會發生，但在進行 Get 操作時，最好也避免使用鏈式索引。鏈式操作代碼效率較低，而且只要稍後進行賦值，就會導致問題。
處理 SettingWithCopyWarning 的提示和技巧
在進行下面更深入的分析之前，讓我們看看SettingWithCopyWarning的更多細節。
關閉警告
如果不討論如何明確地控制 SettingWithCopy 警告設置，本文則不夠完整。Pandas 的 mode.chained_assignment 選項可以採用以下幾個值之一：
'raise'- 拋出異常（exception）而不是警告'warn'- 生成警告（默認）None- 完全關閉警告
例如，如果要關閉警告：
pd.set_option('mode.chained_assignment', None)
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
這樣沒有給出任何提示或警告，除非完全瞭解代碼的運行情況，否則請不要嘗試。只要你對想要實現的代碼功能有任何一丁點疑問，不要關閉警告。有些開發者非常重視SettingWithCopy甚至選擇將其提升爲異常，如下所示：
pd.set_option('mode.chained_assignment', 'raise')
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
---------------------------------------------------------------------------
SettingWithCopyError Traceback (most recent call last)
<ipython-input-13-80e3669cab86> in <module>()
1 pd.set_option('mode.chained_assignment', 'raise')----> 2 data[data.bidder == 'parakeet2004']['bidderrate'] = 100
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/Pandas/core/frame.py in __setitem__(self, key, value)
2427 else:
2428 # set column-> 2429 self._set_item(key, value) 2430
2431 def _setitem_slice(self, key, value):
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/Pandas/core/frame.py in _set_item(self, key, value)
2500 # value exception to occur first
2501 if len(self):-> 2502 self._check_setitem_copy() 2503
2504 def insert(self, loc, column, value, allow_duplicates=False):
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/Pandas/core/generic.py in _check_setitem_copy(self, stacklevel, t, force)
1758
1759 if value == 'raise':-> 1760 raise SettingWithCopyError(t) 1761 elif value == 'warn':
1762 warnings.warn(t, SettingWithCopyWarning, stacklevel=stacklevel)
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
See the caveats in the documentation: http://Pandas.pydata.org/Pandas-docs/stable/indexing.html#indexing-view-versus-copy
如果你正與缺乏經驗的 Pandas 開發人員合作開發項目，或者正在開發需要高度嚴謹的項目，這可能特別有用。
更精確使用此設置的方法是使用 上下文管理器 context manager 。
# resets the option we set in the previous code segment
pd.reset_option('mode.chained_assignment')
with pd.option_context('mode.chained_assignment', None):
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
如你所見，這種方法可以實現針對性的警告設置，而不影響整個環境。
is_copy 屬性
避免警告的另一個技巧是修改 Pandas 用於解釋SettingWithCopy的工具之一。每個 DataFrame 都有一個is_copy屬性，默認情況下爲None，但如果它是副本，則會使用weakref引用原始 DataFrame 。通過將is_copy設置爲None，可以避免生成警告。
winners = data.loc[data.bid == data.price]
winners.is_copy = Nonewinners.loc[304, 'bidder'] = 'therealname'
但是請注意，這並不會奇蹟般地解決問題，反而會使錯誤檢測變得更加困難。
單類型 VS 多類型對象
值得強調的另一點是單類型對象和多類型對象之間的差異。如果 DataFrame 所有列都具有相同的 dtype，則它是單類型的，例如：
import numpy as np
single_dtype_df = pd.DataFrame(np.random.rand(5,2), columns=list('AB'))
print(single_dtype_df.dtypes)
single_dtype_df
A float64
B float64
dtype: object
如果 DataFrame 的列不是全部具有相同的 dtype，那麼它是多類型的，例如：
multiple_dtype_df = pd.DataFrame({'A': np.random.rand(5),'B': list('abcde')})
print(multiple_dtype_df.dtypes)
multiple_dtype_df
A float64
B object
dtype: object
由於下面歷史部分中所述的原因，對多類型對象的索引 Get 操作將始終返回副本。而爲了提高效率，索引器對單類型對象的操作幾乎總是返回一個視圖，需要注意的是，這取決於對象的內存佈局，並不能完全保證。
誤報
誤報，即無意中報告鏈式賦值的情況，曾經在早期版本的 Pandas 中比較常見，但此後大部分都被解決了。爲了完整起見，在本文中包含一些已修復的誤報示例也是有用的。如果你在使用早期版本的 Pandas 時遇到以下任何情況，則可以安全地忽略或抑制警告（或通過升級 Pandas 版本完全避免警告！）
使用當前列的值，將新列添加到 DataFrame 會生成警告，但這已得到修復。
data['bidtime_hours'] = data.bidtime.map(lambda x: x * 24)
data.head(2)
在一個 DataFrame 切片上使用apply方法進行 Set 時，也會出現誤報，不過這也已得到修復。
data.loc[:, 'bidtime_hours'] = data.bidtime.apply(lambda x: x * 24)
data.head(2)
直到 0.17.0 版本前，DataFrame.sample方法中存在一個錯誤，導致SettingWithCopy警告誤報。現在，sample方法每次都會返回一個副本。
sample = data.sample(2)
sample.loc[:, 'price'] = 120
sample.head()
鏈式賦值深度解析
讓我們重用之前的例子：試圖更新data中bidder值爲'parakeet2004'的所有行的bidderrate字段。
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/ipykernel/__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
See the caveats in the documentation: http://Pandas.pydata.org/Pandas-docs/stable/indexing.html#indexing-view-versus-copy
if __name__ == '__main__':
Pandas 用 SettingWithCopyWarning 告訴我們的是，代碼的行爲是模棱兩可的，要理解原因和警告的措辭，以下概念將會有所幫助。
之前簡要了解了視圖（View）和副本（Copy）。有兩種方法可以訪問 DataFrame 的子集：可以創建對內存中原始數據的引用（視圖），也可以將子集複製到新的較小的 DataFrame 中（副本）。視圖是查看 原始 數據特定部分的一種方式；副本是將該數據 複製 到內存中的新位置。正如之前的圖表所示，修改視圖將修改原始變量，而修改副本則不會。
由於某些原因（本文稍後介紹），Pandas 中 Get 操作的輸出無法保證。索引 Pandas 數據結構時，視圖或副本都可能被返回，也就是說：對某一 DataFrame 進行 Get 操作返回一個新的 DataFrame，新的數據可能是：
- 來自原始對象的數據副本
- 沒有複製，而是直接對原始對象的引用
因爲不確定返回的對象是什麼，而且每種可能性都有非常不同後續影響，所以忽略警告就是“玩火”。
爲了更清楚地解釋視圖、副本和其中的歧義，我們創建一個簡單的 DataFrame 並對其進行索引：
df1 = pd.DataFrame(np.arange(6).reshape((3,2)), columns=list('AB'))
df1
將 df1 的子集賦值給 df2：
df2 = df1.loc[:1]
df2
根據剛纔學到的知識，我們知道 df2 可能是 df1 的視圖或 df1 子集的副本。
在解決問題之前，我們還需要再看一下鏈式索引。擴展一下 'parakeet2004' 示例，將兩個索引操作鏈接在一起：
data[data.bidder == 'parakeet2004']
__intermediate__['bidderrate'] = 100
__intermediate__表示第一個調用的輸出，對我們是完全不可見的。請記住，如果我們使用了屬性訪問（.+列名形式的訪問），會得到相同的有問題的結果：
data[data.bidder == 'parakeet2004'].bidderrate = 100
這同樣適用於任何其他形式的鏈式調用，因爲我們正在生成中間對象 。
在底層代碼中，鏈式索引意味着對 __getitem__ 或 __setitem__ 進行多次調用以完成單個操作。這些是 特殊的 Python 方法，通過在實現它們類的實例上使用方括號，可以調用這些方法，這是一種語法糖。下面看一下 Python 解釋器如何執行示例中的內容。
# Our code
data[data.bidder == 'parakeet2004']['bidderrate'] = 100
# Code executed
data.__getitem__(data.__getitem__('bidder') == 'parakeet2004').__setitem__('bidderrate', 100)
你可能已經意識到，SettingWithCopyWarning 是由此鏈式 __setitem__ 調用生成的。可以自己嘗試一下 - 上面這些代碼的功能相同。爲清楚起見，請注意第二個 __getitem__ 調用（對 bidder 列）是嵌套的，而不是鏈式問題的所有部分。
通常，如上面所述，Pandas 不保證 Get 操作是返回視圖還是副本。如果示例中返回了一個視圖，則鏈式賦值中的第二個表達式將是對原始對象 __setitem__ 的調用。但是，如果返回一個副本，那麼將被修改的是副本 - 原始對象不會被修改。
這就是警告中 “a value is trying to be set on a copy of a slice from a DataFrame” 的含義。由於沒有對此副本的引用，它最終將被回收 。SettingWithCopyWarning 讓我們知道 Pandas 無法確定第一個 __getitem__ 調用是否返回了視圖或副本，因此不清楚該賦值是否更改了原始對象。換一種說法就是：“我們是否正在修改原始數據？”這一問題的答案是未知的。
如果確實想要修改原始文件，警告建議的解決方案是使用 loc 將這兩個單獨的鏈式操作轉換爲單個賦值操作。這樣代碼中沒有了鏈式索引，就不會再收到警告。修改後的代碼及其擴展版本如下所示：
# Our code
data.loc[data.bidder == 'parakeet2004', 'bidderrate'] = 100
# Code executed
data.loc.__setitem__((data.__getitem__('bidder') == 'parakeet2004', 'bidderrate'), 100)
DataFrame 的loc屬性保證是原始 DataFrame 本身，具有擴展的索引功能。
假陰性（False negatives）
使用loc並沒有結束問題，因爲使用loc的 Get 操作仍然可以返回一個視圖或副本，下面是個有點複雜的例子。
data.loc[data.bidder == 'parakeet2004', ('bidderrate', 'bid')]
這次拉出了兩列而不是一列。下面嘗試 Set 所有的bid值。
data.loc[data.bidder == 'parakeet2004', ('bidderrate', 'bid')]['bid'] = 5.0
data.loc[data.bidder == 'parakeet2004', ('bidderrate', 'bid')]
沒有效果，也沒有警告！我們在切片的副本上 Set 了一個值，但是 Pandas 沒有檢測到它 - 這就是假陰性。這是因爲，使用 loc 之後並不意味着可以再次使用鏈式賦值。這個特定的 bug，有一個未解決的 GitHub issue 。
正確的解決方法如下：
data.loc[data.bidder == 'parakeet2004', 'bid'] = 5.0
data.loc[data.bidder == 'parakeet2004', ('bidderrate', 'bid')]
你可能懷疑，是否真的有人會在實踐中遇到這樣的問題。其實這比你想象的更容易出現。當我們像下一節中這樣做：將 DataFrame 查詢的結果賦值給變量。
隱藏的鏈式索引
再看一下之前隱藏的鏈式索引示例，我們試圖設置winners變量中，標記爲304行的bidder字段。
winners = data.loc[data.bid == data.price]
winners.loc[304, 'bidder'] = 'therealname'
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/Pandas/core/indexing.py:517: 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
See the caveats in the documentation: http://Pandas.pydata.org/Pandas-docs/stable/indexing.html#indexing-view-versus-copy
self.obj[item] = s
儘管使用了 loc，還是得到了 SettingWithCopyWarning 。這可能令人非常困惑，因爲警告信息建議的方法，我們已經做過了。
不過，想一下 winners 變量究竟是什麼？由於我們通過 data.loc[data.bid == data.price] 將它初始化，無法知道它是原始 data 的視圖還是副本（因爲 Get 操作返回視圖或副本）。將初始化與生成警告的行組合在一起可以清楚地表明我們的錯誤。
data.loc[data.bid == data.price].loc[304, 'bidder'] = 'therealname'
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/Pandas/core/indexing.py:517: 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
See the caveats in the documentation: http://Pandas.pydata.org/Pandas-docs/stable/indexing.html#indexing-view-versus-copy
self.obj[item] = s
再次使用了鏈式賦值，只是這次它被分在了兩行代碼中。思考這個問題的另一種方法是，問一個問題：“這個操作會修改一個對象，還是兩個對象？”在示例中，答案是未知的：如果 winners 是副本，那麼只有 winners 受到影響，但如果是視圖，則 winners 和 data 都將被更新。這種情況可能發生在腳本或代碼庫中相距很遠的行之間，這使問題很難被追根溯源。
此處警告的意圖是提醒，自以爲代碼將修改原始 DataFrame，實際沒有修改成功，或者說我們將修改副本而不是原始數據。深入研究 Pandas GitHub repo 中的 issue，可以看到開發人員自己對這個問題的解釋。
如何解決這個問題在很大程度上取決於自己的意圖。如果想要使用原始數據的副本，解決方案就是強制 Pandas 製作副本。
winners = data.loc[data.bid == data.price].copy()
winners.loc[304, 'bidder'] = 'therealname'
print(data.loc[304, 'bidder']) # Original
print(winners.loc[304, 'bidder']) # Copy
nan
therealname
另一方面，如果需要更新原始 DataFrame，那麼應該使用原始 DataFrame 而不是重新賦值一些具有未知行爲的其他變量。之前的代碼可以修改爲：
# Finding the winners
winner_mask = data.bid == data.price
# Taking a peek
data.loc[winner_mask].head()
# Doing analysis
mean_win_time = data.loc[winner_mask, 'bidtime'].mean()
... # 20 lines of code
mode_open_bid = data.loc[winner_mask, 'openbid'].mode()
# Updating the username
data.loc[304, 'bidder'] = 'therealname'
在更復雜的情況下，例如修改 DataFrame 子集的子集，不要使用鏈式索引，可以在原始 DataFrame 上通過loc進行修改。例如，可以更改上面的新winner_mask變量或創建一個選擇中標者子集的新變量，如下所示：
high_winner_mask = winner_mask & (data.price > 150)
data.loc[high_winner_mask].head()
這種技術會使未來的代碼庫維護和擴展地更加穩健。
歷史
你可能想知道爲什麼要造成這麼混亂的現狀，爲什麼不明確指定索引方法是返回視圖還是副本，來完全避免 SettingWithCopy 問題。要理解這個問題，必須研究 Pandas 的過去。
Pandas 確定返回一個視圖還是一個副本的邏輯，源於它對 NumPy 庫的使用，這是 Pandas 庫的基礎。視圖實際上是通過 NumPy 進入 Pandas 的詞庫的。實際上，視圖在 NumPy 中很有用，因爲它們能夠可預測地返回。由於 NumPy 數組是單一類型的，因此 Pandas 嘗試使用最合適的 dtype 來最小化內存處理需求。因此，包含單個 dtype 的 DataFrame 切片可以作爲單個 NumPy 數組的視圖返回，這是一種高效處理方法。但是，多類型的切片不能以相同的方式存儲在 NumPy 中。Pandas 兼顧多種索引功能，並且保持高效地使用其 NumPy 內核的能力。
最終，Pandas 中的索引被設計爲有用且通用的方式，其核心並不完全與底層 NumPy 數組的功能相結合。隨着時間的推移，這些設計和功能元素之間的相互作用，導致了一組複雜的規則，這些規則決定了返回視圖還是副本。經驗豐富的 Pandas 開發者通常都很滿意 Pandas 的做法，因爲他們可以輕鬆地瀏覽其索引行爲。
不幸的是，對於 Pandas 的新手來說，鏈式索引幾乎不可避免，因爲 Get 操作返回的就是可索引的 Pandas 對象。此外，用 Pandas 的核心開發人員之一 Jeff Reback 的話來說，“從語言的角度來看，直接檢測鏈式索引是不可能的，必須經過推斷才能瞭解”（It is simply not possible from a language perspective to detect chain indexing directly; it has to be inferred）。
因此，在 2013 年底的 0.13.0 版本中引入了警告，作爲許多開發者遇到鏈式賦值導致的無聲失敗的解決方案。
在 0.12 版本之前，ix 索引器是最受歡迎的（在 Pandas 術語中，“索引器”比如 ix，loc 和 iloc，是一種簡單的結構，允許使用方括號來索引對象，就像數組一樣，但具有一些特殊的用法）。但是大約在 2013 年 ，Pandas 項目開始意識到日益增加的新手用戶的重要性，有動力開始提高新手用戶的使用體驗。自從此版本發佈以來，loc 和 iloc索引器因其更明確的性質和更易於解釋的用法而受到青睞。（譯者注：pandas v0.23.3 (July 7, 2018)，其中 ix 方法已經被棄用）
Google Trends: Pandas
SettingWithCopyWarning 在推出後持續改進，多年來在許多 GitHub issue 中得到了熱烈的討論 ，甚至還在不斷更新 ，但是要理解它，仍然是成爲 Pandas 專家的關鍵。
總結
SettingWithCopyWarning 的基礎複雜性是 Pandas 庫中爲數不多的坑。這個警告的源頭深深嵌在庫的底層中，不應被忽視。Jeff Reback 自己的話 ，“Their are no cases that I am aware that you should actually ignore this warning. ……If you do certain types of indexing it will never work, others it will work. You are really playing with fire.”
幸運的是，解決警告只需要識別鏈式賦值並將其修復——看完本文你唯一需要理解的