Pandas: Chained 索引与loc索引, 以及SettingWithCopyWarning

当给一个pandas 对象赋值时, 一定要小心, 避免使用 Chained Indexing进行赋值, 而应该使用 .loc[:,'column'] 方式赋值.

import pandas as pd
import numpy as np

索引方式

我们先用 Chained Index 和 loc Index分别去索引一个Dataframe中的一列.

raw_list = [list('abcd'),list('efgh'),list('ijkl'),list('mnop')]
dfmi = pd.DataFrame(raw_list, columns=pd.MultiIndex.from_product([['one', 'two'], ['first', 'second']]))
dfmi
#### first .... second ....
## first second first second
0 a b c d
1 e f g h
2 i j k l
3 m n o p

在以上的代码中, MultiIndex 是模拟 Hierarchical Indexing, 这种Index方式允许程序员以低维度数据结构(Series, DataFrame)存储和操作任意维度的数据. MultiIndex 类可以通过 List of Arrays, List of Tuples,和两个list的笛卡尔积去创建.

注意, # 与. 在这里都是占位符, 因为没有找到Jianshu Makrdown支持HTML表格的方法, 而Markdown本身的表格语法不支持单元格合并, 所以只能这样, 下同.

现在如果要索引到 ('one', 'second') 这一列, 有两种索引方法:

1:Chained 方式

dfmi['one']['second']
0    b
1    f
2    j
3    n
Name: second, dtype: object

2: .loc 方式

dfmi.loc[:, ('one', 'second')]
0    b
1    f
2    j
3    n
Name: (one, second), dtype: object

第一种Chained方式, 等价于

dfmi.__get__item__('one').__get__item__('second') 

即会先用 dfmi['one'] 索引到一个DataFrame, 我们把它命名为dfmi_one (结果见上), 然后用 dfmi_one['second'] 去索引Series. Pandas在这个过程中调用了两次 __get_item__ 方法.

第二种.loc 方式, dfmi.loc[:, ('one', 'second')]等价于

dfmi.loc.__get_item__((slice(None), ('one', 'second')))

将一组嵌套tuple (slice(None), ('one', 'second')) 直接传递给 __get_item__, 只用一次操作就将期望的Series取出. 这种方式明显速度更快.

当然这只是速度上的对比, 当我们用以上两种方式赋值时,会发生什么?

不同的赋值方式与SettingWithCopyWarning

to_set_value_1 = pd.Series(list('xyza'))
dfmi_chained = pd.DataFrame(raw_list, columns=pd.MultiIndex.from_product([['one', 'two'], ['first', 'second']]))
dfmi_loc = pd.DataFrame(raw_list, columns=pd.MultiIndex.from_product([['one', 'two'], ['first', 'second']]))

在上面的代码中, 我们新建一个Series. 以及两个相同的DataFrame, 后续会分别用于chained索引并赋值, 以及.loc索引并赋值.

dfmi_chained['one']['second'] = to_set_value
/..../python3.6/site-packages/ipykernel_launcher.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
  """Entry point for launching an IPython kernel.
dfmi_chained
#### first .... second ....
## first second first second
0 a x c d
1 e y g h
2 i z k l
3 m a o p
dfmi_loc.loc[:, ('one', 'second')] = to_set_value
dfmi_loc
#### first .... second ....
## first second first second
0 a x c d
1 e y g h
2 i z k l
3 m a o p

先来看一下上面的代码发生了什么.

两种不同的赋值方式得到的结果如下:

  1. Chained 赋值:
    我们在赋值结束后会看到一个 Warning:"SettingWithCopyWarning". 查看 dfmi_chained 的值,此时对应的索引已经赋值.

  2. .loc 赋值:
    正常赋值, 没有Warning, 查看 dfmi_loc 的值, DataFrame中对应的值已经赋值成功.

那什么是 "SettingWithCopyWarning"? 为什么Chained Indexing 赋值会引发这个Warning?

"SettingWithCopyWarning" warning指你可能在给一个被Copy的Dataframe赋值, 这个赋值很可能不会影响到原Dataframe. 在这个例子里, 确实影响到了原来的Dataframe, 但在有些情况下不会.

我们把 dfmi_chained['one']['second'] = to_set_value 这个赋值语句等价于以下语句:

dfmi.__get_item__('one').__set_item_('second', to_set_value)

注意它会先使用 __get_item__('one') 拿出一个Dataframe. 在其它情况下可能是拿出一个Series, 或者其它什么对象. Pandas此时并不清楚拿到的对象, 是原对象的引用, 还是一个被Copy过的新对象. 因此也就无法保证 __set_item('second', to_set_value) 这个赋值语句, 会对原来的对象也赋值. 这也是Warning被抛出的原因.

对于第二种 .loc 索引 + 赋值的语句 dfmi.loc[:, ('one', 'second')] = to_set_value. 等价于以下语句

dfmi.loc.__set_item__((slice(None), ('one', 'second')), to_set_value)

是直接调用了 .loc属性返回值的 __set_item__ 方法. Pandas已经确保了 dataframe.loc属性就是 dataframe 自身, .loc 只不过是更改了dataframe的索引方法, 因此 .loc.__set_item__() 就是对dataframe自身进行操作的.

也可以理解为, 第二种方式,并不是先“索引”Series,再赋值. 而是直接将值赋给dataframe里对应索引的Series.

如果第二种方式赋值方法等价于

dfmi.loc.__get__item__(params).__set_item__(to_set_value)

其实也是会遇到 "SettingWithCopyWarning", 因为 __get_item__() 方法有可能返回对象的引用, 有可能返回Copy值.

结论

所以Chained Index 和 loc Index赋值的区别在于 Chained 赋值的方式是先索引到对象, 再更改对象的值. 此时索引到的对象可能只是原来对象的Copy. 而 .loc 赋值是直接去更改原始Dataframe的对应索引的值.

引用

文章大部分内容来自Pandas官方文档:

Returning a view versus a copy:
https://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

你可能感兴趣的:(Pandas: Chained 索引与loc索引, 以及SettingWithCopyWarning)