pandas 2.0起copy_on_write默认关闭，需显式启用：全局设pandas.options.mode.copy_on_write=true或构造时指定copy_on_write=true；仅元素级视图修改（如iloc）触发延迟复制，链式赋值仍不修改原df。
copy_on_write=True 是默认行为，但必须显式启用
从 Pandas 2.0 开始，copy_on_write 不是默认开启的——它需要你主动设置。不设就还是旧的“写即复制”逻辑，内存优化根本不会发生。很多人以为升级后自动生效，结果发现 df.iloc[0, 0] = 1 依然触发整块 DataFrame 复制，实际是因为没开开关。
启用方式只有两种可靠路径：
- 全局启用：
pandas.options.mode.copy_on_write = True（推荐在脚本开头或配置初始化时执行） - 单次操作启用：
pd.DataFrame(..., copy_on_write=True)或通过.copy(deep=None)触发浅拷贝语义
注意：copy_on_write=False 会强制退回到 Pandas 1.x 行为；设成 None 则读取全局选项，不是“自动推断”。
哪些操作真正触发 copy-on-write？
不是所有赋值都延迟复制。只有对已有视图（view）的**元素级修改**才会按需复制底层数组。常见误判点：
-
df['col'] = new_values：仍会触发整列复制（除非new_values是同长度、同 dtype 的Series且未改变索引） -
df.loc[rows, cols] = value：仅当rows和cols构成连续切片（如df.iloc[10:20, 0:3]）且目标块未被其他变量引用时，才延迟复制 -
df.assign(col=new_series)：返回新 DataFrame，不触发 copy-on-write，和以前一样
真正受益的场景是：反复修改小范围数据（比如清洗循环中逐行打标），且原始 DataFrame 被多个变量引用（如 df_main 和 df_subset = df_main.iloc[:1000]）。
容易踩的坑：链式赋值警告消失但逻辑没变
开启 copy_on_write=True 后，df[df.A > 0].B = 1 这类链式赋值不再抛 SettingWithCopyWarning，但它**仍然不修改原 df**——只是现在不报错了，而是静默创建副本并改那个副本。
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
这不是 bug，是设计使然：copy-on-write 只作用于明确的视图（如 df.iloc、df[col] 返回的 SeriesView），而布尔索引 df[df.A > 0] 返回的是新 DataFrame，不是视图。
所以别依赖警告消失来判断是否改成功了。验证方式只有一种：df._mgr._is_consolidated（内部属性，不建议生产用）或更实际的：df.values.ctypes.data 对比修改前后是否变化。
与 .copy() 的关系：deep=None 成了关键参数
Pandas 2.0 中 .copy(deep=None) 的行为变了：当 copy_on_write=True 时，deep=None（默认）等价于 deep=False，但返回的是一个“可写视图”，不是传统意义的浅拷贝。
-
df2 = df.copy(deep=True)：完全独立副本，内存翻倍 -
df2 = df.copy(deep=False)：传统浅拷贝，改df2会污染df -
df2 = df.copy(deep=None)（默认）：返回带 copy-on-write 保护的视图，改df2仅复制被修改的列/块
这个区别在处理宽表（上百列）时特别明显：你只改其中一列，deep=None 下只有那一列数组被复制，其余列仍共享内存。
真正要发挥 copy-on-write 效果，得让数据流里多出现“视图复用+局部修改”的组合，而不是靠单次操作。一旦中间插入了 .reset_index()、.dropna() 或任何重建索引的操作，视图链就断了，后续又回到全量复制节奏。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
