这个答案在较新版本的pandas中已被弃用。
这扩展了Paul的答案。在Pandas中，索引DataFrame会返回对初始DataFrame的引用。因此，更改子集将更改初始DataFrame。因此，如果您想确保初始DataFrame不应更改，则需要使用副本。考虑以下代码：

df = DataFrame({'x': [1,2]})
df_sub = df[0:1]
df_sub.x = -1
print(df)

字符串
您将获得：

x
0 -1
1  2

型
相反，下面的表达式使df保持不变：

df_sub_copy = df[0:1].copy()
df_sub_copy.x = -1

型

因为如果你不做一个拷贝，那么索引仍然可以在其他地方被操纵，即使你把dataFrame分配给一个不同的名字。
举例来说：

df2 = df
func1(df2)
func2(df)

字符串
func1可以通过修改df2来修改df，这样可以避免：

df2 = df.copy()
func1(df2)
func2(df)

型

有必要提到的是，返回副本或视图取决于索引的类型。
Pandas文档说：
返回视图与副本
关于何时返回数据视图的规则完全取决于NumPy。每当索引操作中涉及标签数组或布尔向量时，结果将是副本。使用单个标签/标量索引和切片，例如df.ix[3：6]或df.ix[：，'A']，将返回视图。

主要目的是避免链式索引并消除SettingWithCopyWarning。
这里的链式索引类似于dfc['A'][0] = 111
该文档说链接索引应该避免返回视图而不是副本。下面是该文档的一个稍微修改的示例：

In [1]: import pandas as pd

In [2]: dfc = pd.DataFrame({'A':['aaa','bbb','ccc'],'B':[1,2,3]})

In [3]: dfc
Out[3]:
    A   B
0   aaa 1
1   bbb 2
2   ccc 3

In [4]: aColumn = dfc['A']

In [5]: aColumn[0] = 111
SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

In [6]: dfc
Out[6]:
    A   B
0   111 1
1   bbb 2
2   ccc 3

字符串
这里aColumn是一个视图，而不是原始DataFrame的副本，因此修改aColumn将导致原始dfc也被修改。接下来，如果我们首先索引行：

In [7]: zero_row = dfc.loc[0]

In [8]: zero_row['A'] = 222
SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

In [9]: dfc
Out[9]:
    A   B
0   111 1
1   bbb 2
2   ccc 3

型
这次zero_row是一个拷贝，所以原始的dfc没有被修改。
从上面的两个例子中，我们可以看到是否要更改原始DataFrame是不明确的。如果您编写以下内容，这尤其危险：

In [10]: dfc.loc[0]['A'] = 333
SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

In [11]: dfc
Out[11]:
    A   B
0   111 1
1   bbb 2
2   ccc 3

型
这一次根本不起作用。这里我们想修改dfc，但实际上我们修改了一个中间值dfc.loc[0]，它是一个副本，并立即被丢弃。很难预测像dfc.loc[0]或dfc['A']这样的中间值是视图还是副本，所以不能保证原始DataFrame是否会被更新。这就是为什么应该避免链式索引，pandas为这种链式索引更新生成SettingWithCopyWarning。
现在使用.copy()。为了消除警告，请复制一份以明确表达您的意图：

In [12]: zero_row_copy = dfc.loc[0].copy()

In [13]: zero_row_copy['A'] = 444 # This time no warning

型
因为你正在修改一个副本，你知道原始的dfc永远不会改变，你也不希望它改变。你的期望与行为相匹配，然后SettingWithCopyWarning消失了。
注意，如果您确实想修改原始DataFrame，文档建议您使用loc：

In [14]: dfc.loc[0,'A'] = 555

In [15]: dfc
Out[15]:
    A   B
0   555 1
1   bbb 2
2   ccc 3

型

假设您有如下数据框

df1
     A    B    C    D
4 -1.0 -1.0 -1.0 -1.0
5 -1.0 -1.0 -1.0 -1.0
6 -1.0 -1.0 -1.0 -1.0
6 -1.0 -1.0 -1.0 -1.0

字符串
当您想创建另一个df2，它与df1相同，但不包含copy时

df2=df1
df2
     A    B    C    D
4 -1.0 -1.0 -1.0 -1.0
5 -1.0 -1.0 -1.0 -1.0
6 -1.0 -1.0 -1.0 -1.0
6 -1.0 -1.0 -1.0 -1.0

型
并希望仅按以下方式修改df2值

df2.iloc[0,0]='changed'

df2
         A    B    C    D
4  changed -1.0 -1.0 -1.0
5       -1 -1.0 -1.0 -1.0
6       -1 -1.0 -1.0 -1.0
6       -1 -1.0 -1.0 -1.0

型
同时，df1也发生了变化。

df1
         A    B    C    D
4  changed -1.0 -1.0 -1.0
5       -1 -1.0 -1.0 -1.0
6       -1 -1.0 -1.0 -1.0
6       -1 -1.0 -1.0 -1.0

型
由于两个df是相同的object，我们可以使用id来检查它。

id(df1)
140367679979600
id(df2)
140367679979600

型
所以它们是相同的对象，一个改变另一个，也会传递相同的值。
如果我们加上copy，现在df1和df2被认为是不同的object，如果我们对其中一个做同样的改变，另一个不会改变。

df2=df1.copy()
id(df1)
140367679979600
id(df2)
140367674641232

df1.iloc[0,0]='changedback'
df2
         A    B    C    D
4  changed -1.0 -1.0 -1.0
5       -1 -1.0 -1.0 -1.0
6       -1 -1.0 -1.0 -1.0
6       -1 -1.0 -1.0 -1.0

型
值得一提的是，当您对原始的子框架进行子集化时，为了避免SettingWithCopyWarning，添加副本也是安全的。

一般来说，使用副本比使用原始数据框更安全，除非您知道不再需要原始数据框，并希望继续使用操作版本。通常，您仍然可以使用原始数据框来与操作版本进行比较等。因此，大多数人都在最后使用副本和合并。

Pandas Deep copy保持初始DataFrame不变。
当你想规范化一个DataFrame并想保持初始的df不变时，这个特性特别有用。例如：

df = pd.DataFrame(np.arange(20).reshape(2,10))

字符串
然后将数据标准化：

# Using Sklearn MinMaxSacaler method
scaler = preprocessing.MinMaxScaler()

型
如果你想在第一个基础上创建一个新的df，并希望第一个保持不变，你必须使用.copy（）方法

new_df = pd.DataFrame(df).copy() # Deep Copy
for i in range(10):
    pd_features[i] = scaler.fit_transform(unnormal_pd_features[i].values.reshape(-1,1))

型
否则你原来的DF也会改变。

我在使用copy（）时非常粗心，直到我使用下面的代码行而没有使用copy（），df_genel3中的更改影响了df_genel

df_genel3 = df_genel
df_genel3.loc[(df_genel3['Hareket']=='İmha') , 'Hareket_Tutar'] = tutar

字符串
copy（）解决了这个问题

df_genel3 = df_genel.copy()
df_genel3.loc[(df_genel3['Hareket']=='İmha') , 'Hareket_Tutar'] = tutar

型