创建SettingWithCopyWarning是为了标记可能令人困惑的“链式”赋值，例如下面的赋值，它并不总是像预期的那样工作，特别是当第一个选择返回一个副本时。[背景讨论见GH5390和GH5597。]

df[df['A'] > 2]['B'] = new_val  # new_val not set in df

该警告提供了重写建议如下:

df.loc[df['A'] > 2, 'B'] = new_val

然而，这并不符合你的用法，这相当于:

df = df[df['A'] > 2]
df['B'] = new_val

虽然很明显，您并不关心写入操作是否使其返回到原始帧(因为您正在覆盖对它的引用)，但不幸的是，此模式无法与第一个链式赋值示例区分开来。因此出现了(假阳性)警告。如果您想进一步阅读，在索引文档中讨论了假阳性的可能性。您可以使用以下赋值安全地禁用此新警告。

import pandas as pd
pd.options.mode.chained_assignment = None  # default='warn'

---

其他资源

pandas用户指南:索引和选择数据 Python数据科学手册:数据索引和选择 真正的Python: SettingWithCopyWarning在Pandas:视图vs副本 Dataquest: SettingwithCopyWarning:如何修复此警告在熊猫 走向数据科学:解释熊猫中copywarning的设置

一般来说，SettingWithCopyWarning的目的是向用户(尤其是新用户)表明，他们可能正在对一个副本进行操作，而不是他们所认为的原始版本。有假阳性(低，如果你知道你在做什么，它可能是好的)。一种可能是像@Garrett建议的那样关闭警告(默认为warn)。

这是另一种选择:

In [1]: df = DataFrame(np.random.randn(5, 2), columns=list('AB'))

In [2]: dfa = df.ix[:, [1, 0]]

In [3]: dfa.is_copy
Out[3]: True

In [4]: dfa['A'] /= 2
/usr/local/bin/ipython:1: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_index,col_indexer] = value instead
  #!/usr/local/bin/python

你可以将is_copy标志设置为False，这将有效地关闭该对象的检查:

In [5]: dfa.is_copy = False

In [6]: dfa['A'] /= 2

如果显式复制，则不会发生进一步的警告:

In [7]: dfa = df.ix[:, [1, 0]].copy()

In [8]: dfa['A'] /= 2

上面OP显示的代码虽然是合法的，而且可能也是我所做的，但从技术上讲，它是这个警告的一个案例，而不是误报。另一种没有警告的方法是通过重新索引来执行选择操作，例如:

quote_df = quote_df.reindex(columns=['STK', ...])

Or,

quote_df = quote_df.reindex(['STK', ...], axis=1)  # v.0.21

熊猫数据帧拷贝警告

当你这样做的时候:

quote_df = quote_df.ix[:,[0,3,2,1,4,5,8,9,30,31]]

熊猫。在这种情况下，Ix返回一个新的、独立的数据框架。

任何你决定在这个数据框架中改变的值，都不会改变原始数据框架。

这就是熊猫想要警告你的。

---

为什么。ix是个坏主意

.ix对象试图做不止一件事，对于任何读过干净代码的人来说，这是一种强烈的气味。

给定这个数据框架:

df = pd.DataFrame({"a": [1,2,3,4], "b": [1,1,2,2]})

两个行为:

dfcopy = df.ix[:,["a"]]
dfcopy.a.ix[0] = 2

行为一:dfcopy现在是一个独立的数据框架。改变它不会改变df

df.ix[0, "a"] = 3

行为二:这将改变原始的数据框架。

---

请改用.loc

pandas开发人员意识到.ix对象很臭(推测性的)，因此创建了两个新对象来帮助添加和分配数据。(另一个是。iloc)

.loc更快，因为它不尝试创建数据的副本。

.loc的目的是修改现有的数据帧，这是更有效的内存。

.loc是可预测的，它有一个行为。

---

解决方案

您在代码示例中所做的是加载一个包含许多列的大文件，然后将其修改为较小的文件。

pd。Read_csv函数可以帮助您解决这些问题，并使文件的加载速度更快。

所以不这样做

quote_df = pd.read_csv(StringIO(str_of_all), sep=',', names=list('ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefg')) #dtype={'A': object, 'B': object, 'C': np.float64}
quote_df.rename(columns={'A':'STK', 'B':'TOpen', 'C':'TPCLOSE', 'D':'TPrice', 'E':'THigh', 'F':'TLow', 'I':'TVol', 'J':'TAmt', 'e':'TDate', 'f':'TTime'}, inplace=True)
quote_df = quote_df.ix[:,[0,3,2,1,4,5,8,9,30,31]]

这样做

columns = ['STK', 'TPrice', 'TPCLOSE', 'TOpen', 'THigh', 'TLow', 'TVol', 'TAmt', 'TDate', 'TTime']
df = pd.read_csv(StringIO(str_of_all), sep=',', usecols=[0,3,2,1,4,5,8,9,30,31])
df.columns = columns

这将只读取您感兴趣的列，并正确地命名它们。不需要使用邪恶的.ix对象来做神奇的事情。

如果你已经将切片分配给一个变量，并希望像下面这样使用变量进行设置:

df2 = df[df['A'] > 2]
df2['B'] = value

如果你不想使用Jeff的解，因为你计算df2的条件太长或其他原因，那么你可以使用以下方法:

df.loc[df2.index.tolist(), 'B'] = value

df2.index.tolist()返回df2中所有条目的索引，这些索引将用于设置原始数据框架中的列B。

为了消除任何疑问，我的解决方案是对切片进行深度复制，而不是常规复制。 这可能不适用，这取决于你的上下文(内存限制/片的大小，潜在的性能下降-特别是如果复制发生在一个循环中，就像它对我做的那样，等等…)

澄清一下，以下是我收到的警告:

/opt/anaconda3/lib/python3.6/site-packages/ipykernel/__main__.py:54:
SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation:
http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

插图

我怀疑警告之所以被抛出，是因为我在切片的副本上放置了一列。虽然从技术上讲没有尝试在切片的副本中设置值，但这仍然是对切片副本的修改。

以下是我所采取的(简化的)步骤来确认怀疑，我希望它能帮助那些试图理解警告的人。

例1:删除原始数据上的一列会影响副本

我们已经知道了，但这是一个健康的提醒。这不是警告的内容。

>> data1 = {'A': [111, 112, 113], 'B':[121, 122, 123]}
>> df1 = pd.DataFrame(data1)
>> df1

    A    B
0    111    121
1    112    122
2    113    123


>> df2 = df1
>> df2

A    B
0    111    121
1    112    122
2    113    123

# Dropping a column on df1 affects df2
>> df1.drop('A', axis=1, inplace=True)
>> df2
    B
0    121
1    122
2    123

可以避免在df1上所做的更改影响df2。注意:你可以通过执行df.copy()来避免导入copy.deepcopy。

>> data1 = {'A': [111, 112, 113], 'B':[121, 122, 123]}
>> df1 = pd.DataFrame(data1)
>> df1

A    B
0    111    121
1    112    122
2    113    123

>> import copy
>> df2 = copy.deepcopy(df1)
>> df2
A    B
0    111    121
1    112    122
2    113    123

# Dropping a column on df1 does not affect df2
>> df1.drop('A', axis=1, inplace=True)
>> df2
    A    B
0    111    121
1    112    122
2    113    123

例2:删除副本上的一列可能会影响原始数据

这实际上说明了警告。

>> data1 = {'A': [111, 112, 113], 'B':[121, 122, 123]}
>> df1 = pd.DataFrame(data1)
>> df1

    A    B
0    111    121
1    112    122
2    113    123

>> df2 = df1
>> df2

    A    B
0    111    121
1    112    122
2    113    123

# Dropping a column on df2 can affect df1
# No slice involved here, but I believe the principle remains the same?
# Let me know if not
>> df2.drop('A', axis=1, inplace=True)
>> df1

B
0    121
1    122
2    123

可以避免在df2上所做的更改影响df1

>> data1 = {'A': [111, 112, 113], 'B':[121, 122, 123]}
>> df1 = pd.DataFrame(data1)
>> df1

    A    B
0    111    121
1    112    122
2    113    123

>> import copy
>> df2 = copy.deepcopy(df1)
>> df2

A    B
0    111    121
1    112    122
2    113    123

>> df2.drop('A', axis=1, inplace=True)
>> df1

A    B
0    111    121
1    112    122
2    113    123

我相信你可以这样避免整个问题:

return (
    pd.read_csv(StringIO(str_of_all), sep=',', names=list('ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefg')) #dtype={'A': object, 'B': object, 'C': np.float64}
    .rename(columns={'A':'STK', 'B':'TOpen', 'C':'TPCLOSE', 'D':'TPrice', 'E':'THigh', 'F':'TLow', 'I':'TVol', 'J':'TAmt', 'e':'TDate', 'f':'TTime'}, inplace=True)
    .ix[:,[0,3,2,1,4,5,8,9,30,31]]
    .assign(
        TClose=lambda df: df['TPrice'],
        RT=lambda df: 100 * (df['TPrice']/quote_df['TPCLOSE'] - 1),
        TVol=lambda df: df['TVol']/TVOL_SCALE,
        TAmt=lambda df: df['TAmt']/TAMT_SCALE,
        STK_ID=lambda df: df['STK'].str.slice(13,19),
        STK_Name=lambda df: df['STK'].str.slice(21,30)#.decode('gb2312'),
        TDate=lambda df: df.TDate.map(lambda x: x[0:4]+x[5:7]+x[8:10]),
    )
)

使用分配。来自文档:为DataFrame分配新列，返回一个新对象(副本)，其中包含所有原始列和新列。

参见Tom Augspurger关于熊猫方法链接的文章:《现代熊猫(第二部分):方法链接》

对我来说，这个问题发生在下面一个简化的例子中。我也能够解决它(希望有一个正确的解决方案):

带有警告的旧代码:

def update_old_dataframe(old_dataframe, new_dataframe):
    for new_index, new_row in new_dataframe.iterrorws():
        old_dataframe.loc[new_index] = update_row(old_dataframe.loc[new_index], new_row)

def update_row(old_row, new_row):
    for field in [list_of_columns]:
        # line with warning because of chain indexing old_dataframe[new_index][field]
        old_row[field] = new_row[field]
    return old_row

输出old_row[field] = new_row[field]行的警告

因为update_row方法中的行实际上是Series类型，所以我将行替换为:

old_row.at[field] = new_row.at[field]

例如，用于访问/查找一个Series的方法。尽管两者都工作得很好，结果是相同的，这样我就不必禁用警告(=保留它们用于其他地方的其他链索引问题)。

这应该可以工作:

quote_df.loc[:,'TVol'] = quote_df['TVol']/TVOL_SCALE

如何处理SettingWithCopyWarning在熊猫?

这篇文章的读者是:

想知道这个警告是什么意思吗 想了解压制这种警告的不同方法吗 想了解如何改进他们的代码，并遵循良好的实践，以避免在未来出现这种警告。

设置

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SettingWithCopyWarning?

要知道如何处理这个警告，首先要理解它的含义以及为什么会提出这个警告。

过滤dataframe时，可以对帧进行切片/索引以返回视图或副本，这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，“副本”是原始数据的复制，修改副本对原始数据没有影响。

正如其他答案所提到的，SettingWithCopyWarning被创建来标记“链式赋值”操作。考虑上面设置中的df。假设您想要选择列“B”中的所有值，其中列“A”中的值为> 5。Pandas允许您以不同的方式做到这一点，有些方式比其他方式更正确。例如,

df[df.A > 5]['B']

1    3
2    6
Name: B, dtype: int64

And,

df.loc[df.A > 5, 'B']

1    3
2    6
Name: B, dtype: int64

它们返回相同的结果，因此如果只读取这些值，则没有区别。那么，问题是什么呢?链式赋值的问题是，通常很难预测返回的是视图还是副本，所以当您试图赋值时，这在很大程度上成为一个问题。在前面例子的基础上，考虑一下这段代码是如何被解释器执行的:

df.loc[df.A > 5, 'B'] = 4
# becomes
df.__setitem__((df.A > 5, 'B'), 4)

用一个__setitem__调用df。OTOH，考虑下面的代码:

df[df.A > 5]['B'] = 4
# becomes
df.__getitem__(df.A > 5).__setitem__('B', 4)

现在，根据__getitem__返回的是视图还是副本，__setitem__操作可能无法工作。

一般来说，应该使用loc进行基于标签的赋值，使用iloc进行基于整数/位置的赋值，因为规范保证它们总是对原始值进行操作。此外，要设置单个单元格，应该使用at和iat。

更多信息可以在文档中找到。

请注意 所有用loc完成的布尔索引操作也可以用iloc完成。唯一的区别是iloc希望两者都有 索引的整数/位置或布尔值的numpy数组，以及 列的整数/位置索引。 例如, df.loc (df。A > 5， ' b '] = 4 可以写成nas 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。

---

告诉我怎么消除警告!

考虑df的“a”列上的一个简单操作。选择“A”并除以2将会发出警告，但操作是有效的。

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

有几种方法可以直接屏蔽这个警告:

(推荐)使用loc对子集进行切片: Df2 = df。loc [: [A]] df2['A'] /= 2 #不提升 改变pd.options.mode.chained_assignment 可以设置为None、warn或raise。“warn”是默认值。None将完全抑制警告，“raise”将抛出SettingWithCopyError，阻止操作进行。 pd.options.mode。chained_assignment =无 df2['A'] /= 2 制作深度拷贝 df2 = df[['A']]].copy(depth =True) df2['A'] /= 2

@Peter Cotton在评论中提出了一个很好的方法，使用上下文管理器非侵入性地改变模式(从这个要点修改)，只在需要时设置模式，并在完成时将其重置回原始状态。

类ChainedAssignent: def __init__(self, chained=None): accept = [None， 'warn'， 'raise'] Assert chained in acceptable， "chained must be in " + str(acceptable) 自我。被链住 def __enter__(自我): 自我。Saved_swcw = pd.options.mode.chained_assignment pd.options.mode。Chained_assignment = self.swcw 回归自我 Def __exit__(self， *args): pd.options.mode。Chained_assignment = self.saved_swcw

用法如下:

# Some code here
with ChainedAssignent():
    df2['A'] /= 2
# More code follows

或者，抛出异常

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?

很多时候，用户试图寻找抑制这种异常的方法，而没有完全理解为什么会出现这种异常。这是XY问题的一个很好的例子，用户试图解决一个问题“Y”，而这个问题实际上是一个更深层次的问题“X”的症状。将根据遇到此警告的常见问题提出问题，然后将提出解决方案。

问题1 我有一个数据框架 df A bc d e 0 5 0 3 3 7 1 9 3 5 2 4 2 7 6 8 8 1 我想在col“A”> 5到1000中赋值。我的期望输出是 A bc d e 0 5 0 3 3 7 1 1000 3 5 2 4 2 1000 6 8 8 1

错误的做法:

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

使用loc的正确方法:

df.loc[df.A > 5, 'A'] = 1000

问题21 我试图将单元格(1，'D')中的值设置为12345。我的期望输出是 A bc d e 0 5 0 3 3 7 1 9 3 5 1245 4 2 7 6 8 8 1 我试过各种方法进入这个细胞，比如 df [' D '][1]。最好的方法是什么? 1. 这个问题和警告没有特别的关系，但是 最好能理解如何正确地执行这个特定的操作 这样就可以避免出现警告可能出现的情况 的未来。

您可以使用以下任何一种方法来做到这一点。

df.loc[1, 'D'] = 12345
df.iloc[1, 3] = 12345
df.at[1, 'D'] = 12345
df.iat[1, 3] = 12345

问题3 我正在尝试基于某些条件的子集值。我有一个 DataFrame A bc 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 试着 df2.loc[df2.C == 5， 'D'] = 123 这看起来很好，但我还是得到了 SettingWithCopyWarning !我怎么解决这个问题?

这实际上可能是因为管道中更高级别的代码。你是从更大的东西中创建df2的吗

df2 = df[df.A > 5]

？ 在本例中，布尔索引将返回一个视图，因此df2将引用原始视图。你需要做的是将df2分配给一个副本:

df2 = df[df.A > 5].copy()
# Or,
# df2 = df.loc[df.A > 5, :]

问题4 我要把C列放到 A bc d e 1 9 3 5 2 4 2 7 6 8 8 1 但使用 df2。drop('C'， axis=1, inplace=True) 抛出SettingWithCopyWarning。为什么会这样?

这是因为df2必须是作为其他切片操作的视图创建的，例如

df2 = df[df.A > 5]

这里的解决方案是创建df的copy()，或者像以前一样使用loc。

后续初学者问题/备注

也许这是对像我这样的初学者的澄清(我来自R，它的工作原理似乎有点不同)。以下看起来无害的功能代码不断产生SettingWithCopy警告，我不知道为什么。我已经阅读并理解了“链式索引”，但我的代码不包含任何:

def plot(pdb, df, title, **kw):
    df['target'] = (df['ogg'] + df['ugg']) / 2
    # ...

但是后来，太迟了，我查看了plot()函数被调用的地方:

    df = data[data['anz_emw'] > 0]
    pixbuf = plot(pdb, df, title)

所以"df"不是一个数据帧，而是一个对象，它以某种方式记住它是通过索引一个数据帧创建的(这是一个视图吗?)这将使plot()中的行，

 df['target'] = ...

相当于

 data[data['anz_emw'] > 0]['target'] = ...

这是链式索引。

不管怎么说,

def plot(pdb, df, title, **kw):
    df.loc[:,'target'] = (df['ogg'] + df['ugg']) / 2

固定它。

这里我直接回答这个问题。我们该如何应对呢?

在切片后创建.copy(deep=False)。看到pandas.DataFrame.copy。

等等，切片不是会返回副本吗?毕竟，这就是警告信息试图表达的意思?阅读长答案:

import pandas as pd
df = pd.DataFrame({'x':[1,2,3]})

这给出了一个警告:

df0 = df[df.x>2]
df0['foo'] = 'bar'

这不是:

df1 = df[df.x>2].copy(deep=False)
df1['foo'] = 'bar'

df0和df1都是DataFrame对象，但它们的某些不同之处使pandas能够打印警告。让我们来看看它是什么。

import inspect
slice= df[df.x>2]
slice_copy = df[df.x>2].copy(deep=False)
inspect.getmembers(slice)
inspect.getmembers(slice_copy)

使用你选择的diff工具，你会发现除了几个地址之外，唯一的实质性区别是:

|          | slice   | slice_copy |
| _is_copy | weakref | None       |

决定是否警告的方法是DataFrame。_check_setitem_copy检查_is_copy。给你。做一个拷贝，这样你的DataFrame就不是_is_copy。

警告建议使用.loc，但如果您在_is_copy的帧上使用.loc，仍然会得到相同的警告。误导?是的。烦人吗?你的赌注。有用吗?可能，当使用链式赋值时。但是它不能正确地检测链赋值，并且不加区别地输出警告。

有些人可能只是想压制这个警告:

class SupressSettingWithCopyWarning:
    def __enter__(self):
        pd.options.mode.chained_assignment = None

    def __exit__(self, *args):
        pd.options.mode.chained_assignment = 'warn'

with SupressSettingWithCopyWarning():
    #code that produces warning

这个话题真的让熊猫很困惑。幸运的是，它有一个相对简单的解决方案。

问题是数据过滤操作(例如loc)是否返回DataFrame的副本或视图并不总是明确的。因此，进一步使用这种过滤后的DataFrame可能会令人困惑。

简单的解决方案是(除非你需要处理非常大的数据集):

无论何时需要更新任何值，总是确保在赋值之前显式复制DataFrame。

df  # Some DataFrame
df = df.loc[:, 0:2]  # Some filtering (unsure whether a view or copy is returned)
df = df.copy()  # Ensuring a copy is made
df[df["Name"] == "John"] = "Johny"  # Assignment can be done now (no warning)

由于这个问题已经在现有的答案中得到了充分的解释和讨论，因此我将提供一种简洁的使用pandas的上下文管理器方法。Option_context(链接到文档和示例)-绝对没有必要创建一个带有所有dunder方法和其他花哨功能的自定义类。

首先是上下文管理器代码本身:

from contextlib import contextmanager

@contextmanager
def SuppressPandasWarning():
    with pd.option_context("mode.chained_assignment", None):
        yield

然后是一个例子:

import pandas as pd
from string import ascii_letters

a = pd.DataFrame({"A": list(ascii_letters[0:4]), "B": range(0,4)})

mask = a["A"].isin(["c", "d"])
# Even shallow copy below is enough to not raise the warning, but why is a mystery to me.
b = a.loc[mask]  # .copy(deep=False)

# Raises the `SettingWithCopyWarning`
b["B"] = b["B"] * 2

# Does not!
with SuppressPandasWarning():
    b["B"] = b["B"] * 2

值得注意的是，这两种方法都不修改a，这让我有点惊讶，即使是带有.copy(deep=False)的浅df复制也会防止引发这个警告(据我所知，浅复制至少也应该修改a，但它没有。熊猫魔法)。

当我使用.query()方法从一个预先存在的数据框架分配一个新的数据框架时，我已经得到了这个问题。apply()。例如:

prop_df = df.query('column == "value"')
prop_df['new_column'] = prop_df.apply(function, axis=1)

会返回这个错误。在这种情况下，解决错误的修复方法是将其更改为:

prop_df = df.copy(deep=True)
prop_df = prop_df.query('column == "value"')
prop_df['new_column'] = prop_df.apply(function, axis=1)

然而，这并不是有效的，特别是当使用大数据帧时，因为必须创建一个新的副本。

如果你正在使用.apply()方法来生成一个新的列及其值，解决这个错误并且更有效的修复方法是添加.reset_index(drop=True):

prop_df = df.query('column == "value"').reset_index(drop=True)
prop_df['new_column'] = prop_df.apply(function, axis=1)

当我执行这部分代码时，我也遇到了同样的警告:

def scaler(self, numericals):
    scaler = MinMaxScaler()
    self.data.loc[:, numericals[0]] = scaler.fit_transform(self.data.loc[:, numericals[0]])
    self.data.loc[:, numericals[1]] = scaler.fit_transform(self.data.loc[:, numericals[1]])

其中标量是一个MinMaxScaler和数字[0]包含三个我的数字列的名字。

当我将代码更改为:

def scaler(self, numericals):
    scaler = MinMaxScaler()
    self.data.loc[:][numericals[0]] = scaler.fit_transform(self.data.loc[:][numericals[0]])
    self.data.loc[:][numericals[1]] = scaler.fit_transform(self.data.loc[:][numericals[1]])

因此，只需将[:，~]改为[:][~]。

只需在警告出现之前使用.copy()方法创建数据帧的副本，以删除所有警告。

之所以会发生这种情况，是因为我们不想对原始的quote_df进行更改。换句话说，我们不想使用为quote_df创建的quote_df对象的引用。

quote_df = quote_df.copy()

对我来说奏效了:

import pandas as pd
# ...
pd.set_option('mode.chained_assignment', None)

这可能只适用于NumPy，这意味着你可能需要导入它，但我为示例NumPy使用的数据在计算中不是必需的，但你可以简单地通过使用下面这一行代码来停止这个设置和复制警告消息:

np.warnings.filterwarnings('ignore')

在我的情况下，我会基于索引创建一个新列，但我得到了与您相同的警告:

df_temp["Quarter"] = df_temp.index.quarter

我使用insert()而不是直接赋值，它为我工作:

df_temp.insert(loc=0, column='Quarter', value=df_temp.index.quarter)