Pandas 使用什么规则来生成视图和副本？

我对 Pandas 在决定数据帧中的选择是原始数据帧的副本或原始数据帧的视图时使用的规则感到困惑。

例如，如果我有，

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

我明白，一个query返回一个副本，这样就像

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

对原始数据框没有影响，df。我还了解标量或命名切片返回一个视图，以便对这些进行赋值，例如

df.iloc[3] = 70

or

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

会改变df。但当涉及到更复杂的情况时，我就迷失了。例如，

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

changes df, but

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

才不是。

Pandas 是否使用了我所缺少的简单规则？这些具体案例中发生了什么；特别是，如何更改数据框中满足特定查询的所有值（或值的子集）（正如我在上面的最后一个示例中尝试做的那样）？

注意：这与这个问题 https://stackoverflow.com/q/17960511/656912;我已经读过文档 http://pandas.pydata.org/pandas-docs/dev/indexing.html#returning-a-view-versus-a-copy，但我并没有受到启发。我还阅读了有关此主题的“相关”问题，但我仍然缺少 Pandas 使用的简单规则，以及如何将其应用于（例如）修改值（或值的子集）在满足特定查询的数据框中。

这是规则，后续覆盖：

• 所有操作都会生成一个副本

• If inplace=True提供后，它将就地修改；只有部分操作支持此功能

• 一个索引器，设置，例如.loc/.iloc/.iat/.at将设置到位。

• 获取单一数据类型对象的索引器几乎总是一个视图（取决于内存布局，它可能不是，这就是为什么它不可靠）。这主要是为了效率。 （上面的例子是针对.query;这会always返回一个副本，其评估方式为numexpr)

• 获取多数据类型对象的索引器始终是副本。

你的例子chained indexing

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

不保证工作（因此你应该never做这个）。

相反，做：

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

因为这是faster并将永远有效

链式索引是两个独立的 python 操作，因此不能被 pandas 可靠地拦截（你经常会得到一个SettingWithCopyWarning，但这也不是 100% 可检测到的）。这dev docs http://pandas-docs.github.io/pandas-docs-travis/indexing.html#indexing-view-versus-copy您指出的，提供了更完整的解释。