熊猫使用什么规则来生成一个视图和一个副本？

我对熊猫使用的规则感到困惑，当决定从一个数据框架选择是一个原始数据框架的副本，或原始视图。

举个例子,

df = pd.DataFrame(np.random.randn(8,8), columns=list('ABCDEFGH'), index=range(1,9))

我知道 query返回一个副本，这样类似于

foo = df.query('2 < index <= 5')
foo.loc[:,'E'] = 40

将不会对原始数据帧 df产生任何影响。我还理解标量或命名的片返回一个视图，因此对这些片的赋值，例如

df.iloc[3] = 70

或者

df.ix[1,'B':'E'] = 222

会改变 df。但是当涉及到更复杂的情况时，我会迷失方向。例如,

df[df.C <= df.B] = 7654321

改变 df，但是

df[df.C <= df.B].ix[:,'B':'E']

没有。

有没有一个简单的规则，熊猫正在使用，我只是缺少？在这些特定的情况下会发生什么; 特别是，如何更改数据框架中满足特定查询的所有值(或值的子集)(正如我在上面的示例中试图做的那样) ？

注意: 这和 这个问题不一样，我读过 文件，但是没有受到启发。我也通读了关于这个主题的“相关”问题，但我仍然没有看到熊猫使用的简单规则，以及我将如何应用它ーー例如ーー修改数据框架中满足特定查询的值(或值的子集)。