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)。

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)

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。

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

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。

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)