Python pandas удаление SettingWithCopyWarning

поэтому я сделал пустой фрейм данных, используя

df=data[['ID','Matrix','Name','Country', 'Units']]
df['Value']=''

и я заполняю его таким кодом, который находит строки, содержащие значения "хорошо", "плохо" в df.Matrix и заполнение их значениями в sch[i]:

df.loc[df.Matrix.str.contains('Good'),'Value'] = sch[2]
df.loc[df.Matrix.str.contains('Bad'),'Value'] = sch[6]
df.loc[df.Matrix.str.contains('Excellent'),'Value'] = sch[8]

Я получаю кучу ошибок, таких как обе эти две разные:

C:Python33libsite-packagespandascorestrings.py:184: UserWarning: This pattern has match groups. To actually get the groups, use str.extract.
  " groups, use str.extract.", UserWarning)

C:UsersDesktoppythonSorter.py:57: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame
  df.loc[df.Matrix.str.contains('Bad'),'Value'] = sch[6]

до сих пор я подавляю код, используя

pd.options.mode.chained_assignment = None

если я не подавляю сообщения об ошибках, я получу около 20 из них. Есть там другой формат я могу изменить данные, чтобы я не получил сообщение об ошибке?

Я использую python 3 и pandas 0.131, если это помогает

6
pandas pattern-matching python

1 ответов

вот хорошее объяснение того, почему это предупреждение было включено:

панды: цепные задания

вы уверены, что это весь код? Pls показать все, что вы делаете.

In [13]: df = DataFrame(index=range(5))

In [14]: df['Value'] = ''

In [15]: df.loc[[1,4],'Value'] = 'bad'

In [16]: df.loc[[0,3],'Value'] = 'good'

In [17]: df
Out[17]: 
  Value
0  good
1   bad
2      
3  good
4   bad

[5 rows x 1 columns]

Пример 2

In [1]: df = DataFrame(index=range(5))

In [2]: df['Value'] = ''

In [3]: df2 = DataFrame(dict(A=['foo','foo','bar','bar','bah']))

In [4]: df
Out[4]: 
  Value
0      
1      
2      
3      
4      

[5 rows x 1 columns]

In [5]: df2
Out[5]: 
     A
0  foo
1  foo
2  bar
3  bar
4  bah

[5 rows x 1 columns]

In [6]: df.loc[df2.A.str.contains('foo'),'Value'] = 'good'

In [7]: df.loc[df2.A.str.contains('bar'),'Value'] = 'bad'

In [8]: df
Out[8]: 
  Value
0  good
1  good
2   bad
3   bad
4      

[5 rows x 1 columns]
6