Primero ¿Qué significa el error?
Es una advertencia de que cuando haces algo del estilo:
dataframe[columna][indice]="otra cosa"
es posible que el valor no resulte asignado. Ello se debe a que la selección dataframe[columna]
a veces retorna una referencia a la verdadera columna de tu dataframe, en cuyo caso el posterior acceso a un [indice]
sí modificará la columna, pero en otras circunstancias es posible que dataframe[columna]
retorne una copia de tu columna, en cuyo caso la posterior asignación modificaría esa copia, pero no el dataframe original.
Parece ser que Pandas a veces retorna una copia, aunque no tengo claras las circunstancias. Supongo que dependerá de qué tipo de expresión pongas para seleccionar la columna. En todo caso, por si acaso, te advierte de que no hagas eso.
¿Qué hacer entonces?
La forma correcta de referenciar una celda para cambiarle el valor sería:
dataframe.loc[indice, columna] = "otra cosa"
Esta forma de acceder a la celda siempre modificará el dataframe original, y por tanto no te generará la advertencia.
En tu código se traduciría en:
for i in range(0, len(data)):
cadena = data.title[i]
cadena = re.sub("\D", "", cadena)
if cadena != '':
if 1900 <= int(cadena) <= 2020:
data.loc[i,'anio'] = cadena
Una forma mejor
Siempre que sea posible, deben evitarse los bucles a la hora de hacer operaciones pandas, y cambiarlos por operaciones vectoriales que en una sola línea actúen sobre el dataframe completo (naturalmente internamente pandas hará bucles para ello, pero serán mucho más eficientes al estar hechos en C que los que puedas hacer tú en Python).
En este caso todo tu anterior bucle puede reducirse a una línea:
data["anio"] = data.title.str.extract(r"(\d{4})", expand=False)
El operador .str
sobre una columna devuelve un vector de objetos que son los contenidos de la columna, pero que tienen métodos vectoriales como .extract()
(y tienes muchos más, como .startswith()
, .strip()
, etc) que trabajan con todos ellos "a la vez" por así decir.
En este caso el método extract()
espera una expresión regular con al menos un grupo de captura que indique qué parte del texto quieres extraer. En este caso le he pedido un grupo de 4 dígitos. Te evitas así el problema de que el resultado incluyera dígitos extra que no eran parte del año.
Actualización
El usuario indica en un comentario que algunas filas contienen otros números de cuatro cifras como 1840, además del año buscado. Mi solución con .extract()
extrae sólo el primer match, por lo que si hay dos se quedará con el primero. El usuario plantea si sería posible verificar si el año extraido está entre 1900 y 2019 y de no ser así dejar el resultado vacío.
Tengo una solución mejor. Se puede refinar la expresión regular para que en lugar de decir "cualquier secuencia de cuatro dígitos" diga "los dígitos 19 seguidos de otros dos dígitos más, o bien los dígitos 20 seguidos de un 1 ó un 0, y después otro dígito más".
La expresión regular que dice eso sería:
(19\d\d|20[01]\d)
Observa el uso de |
para separar las dos opciones deseadas. La primera es 19\d\d
que encajará con cualquier año del pasado siglo, y la segunda es 20[01]\d
que encajará con un año cuyas dos primeras cifras sean "20", la siguiente sea un 1 o un 0, y la última cualquier dígito, es decir, los años entre 2000 y 2019.
Así que ahora pondrías:
data["anio"] = data.title.str.extract(r"(19\d\d|20[01]\d)", expand=False)
Gracias a esto, en las celdas en que tenías dos posibles grupos de cuatro dígitos, como "18401 Cellars 2013 Proprietary Red (Walla Walla Valley (OR))" sólo uno de los grupos encajará con la expresión regular, y ese será el retornado.
Fíjate que aún puede aparecer un caso como: "19235 Cellars 2013 Proprietary Red (Walla Walla Valley (OR))" en cuyo caso habría un encaje con 1923 que sería erróneo. Aún puedes ser más preciso con la expresión regular y forzar a que el grupo de dígitos que busca sea una "palabra completa", o sea, que haya un "borde de palabra" a ambos lados de la cifra buscada. Así "19235" no encajaría porque tras el 3 no hay un borde de palabra. En una expresión regular el carácter \b
significa precisamente eso (word boundary), por lo que la siguiente expresión regular sería aún más segura para evitar casos como ese:
data["anio"] = data.title.str.extract(r"\b(19\d\d|20[01]\d)\b", expand=False)