在 pandas DataFrame 最佳实践上重新分配值

Question

我正在处理 Medical Data Visualizer 挑战，我正在根据某些条件重新分配 DataFrame 值，如下所示：

df['cholesterol'].loc[df['cholesterol'] == 1] = 0 #normalizing cholestrol values
df['cholesterol'].loc[df['cholesterol'] > 1] = 1 #normalizing cholestrol values

它似乎有效，但是，我也在使用 Jupyter Notebooks，当我使用此代码加载片段时，我收到以下警告：

/usr/local/lib/python3.7/dist-packages/pandas/core/indexing.py:670: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

现在，即使它有效，我想知道这是否是最好的方法（最佳实践）或者我应该重新分配这些值的其他方法。

寻找关于此主题的最佳做法，以免导致未来出现错误。

谢谢

编辑：

id  age gender  height  weight  ap_hi   ap_lo   cholesterol gluc    smoke   alco    active  cardio
    0   18393   2   168 62.0    110 80  1   1   0   0   1   0
    1   20228   1   156 85.0    140 90  3   1   0   0   1   1
    2   18857   1   165 64.0    130 70  3   1   0   0   0   1
    3   17623   2   169 82.0    150 100 1   1   0   0   1   1
    4   17474   1   156 56.0    100 60  1   1   0   0   0   0

Answer 1

参考：Why does assignment fail when using chained indexing?

用途：

#        subset index          subset columns
df.loc[df['cholesterol'] == 1, 'cholesterol'] = 0
df.loc[df['cholesterol'] > 1, 'cholesterol'] = 1
print(df)

# Output
   cholesterol
0            0
1            1
2            1

这将避免SettingWithCopyWarning，因为没有链式子集。

设置：

df = pd.DataFrame({'cholesterol': [1, 2, 3]})
print(df)

# Output
   cholesterol
0            1
1            2
2            3

更新

使用您的样品：

>>> df[['id', 'age', 'cholesterol']]
   id    age  cholesterol
0   0  18393            0
1   1  20228            1
2   2  18857            1
3   3  17623            0
4   4  17474            0

>>> df
   id    age  gender  height  weight  ap_hi  ap_lo  cholesterol  gluc  smoke  alco  active  cardio
0   0  18393       2     168    62.0    110     80            0     1      0     0       1       0
1   1  20228       1     156    85.0    140     90            1     1      0     0       1       1
2   2  18857       1     165    64.0    130     70            1     1      0     0       0       1
3   3  17623       2     169    82.0    150    100            0     1      0     0       1       1
4   4  17474       1     156    56.0    100     60            0     1      0     0       0       0