我有一个这样的字典:di = {1: " a "， 2: "B"}
我想把它应用到一个类似于数据框架的col1列:
col1 col2
0 w a
1 1 2
2 2 NaN
得到:
col1 col2
0 w a
1 A 2
2 B NaN
我怎样才能做到最好呢?出于某种原因，谷歌与此相关的术语只向我展示了如何从字典中制作列，反之亦然:-/
当前回答
或者适用:
df['col1'].apply(lambda x: {1: "A", 2: "B"}.get(x,x))
演示:
>>> df['col1']=df['col1'].apply(lambda x: {1: "A", 2: "B"}.get(x,x))
>>> df
col1 col2
0 w a
1 1 2
2 2 NaN
>>>
其他回答
一个很好的完整的解决方案，保持你的类标签的映射:
labels = features['col1'].unique()
labels_dict = dict(zip(labels, range(len(labels))))
features = features.replace({"col1": labels_dict})
这样，您可以在任何时候引用labels_dict中的原始类标签。
如果你在一个数据框架中有多个列需要重新映射，那么这个问题就更严重了:
def remap(data,dict_labels):
"""
This function take in a dictionnary of labels : dict_labels
and replace the values (previously labelencode) into the string.
ex: dict_labels = {{'col1':{1:'A',2:'B'}}
"""
for field,values in dict_labels.items():
print("I am remapping %s"%field)
data.replace({field:values},inplace=True)
print("DONE")
return data
希望对别人有用。
干杯
你可以用数据帧中缺失的对来更新你的映射字典。例如:
df = pd.DataFrame({'col1': ['a', 'b', 'c', 'd', np.nan]})
map_ = {'a': 'A', 'b': 'B', 'd': np.nan}
# Get mapping from df
uniques = df['col1'].unique()
map_new = dict(zip(uniques, uniques))
# {'a': 'a', 'b': 'b', 'c': 'c', 'd': 'd', nan: nan}
# Update mapping
map_new.update(map_)
# {'a': 'A', 'b': 'B', 'c': 'c', 'd': nan, nan: nan}
df['col2'] = df['col1'].map(dct_map_new)
结果:
col1 col2
0 a A
1 b B
2 c c
3 d NaN
4 NaN NaN
你可以使用。replace。例如:
>>> df = pd.DataFrame({'col2': {0: 'a', 1: 2, 2: np.nan}, 'col1': {0: 'w', 1: 1, 2: 2}})
>>> di = {1: "A", 2: "B"}
>>> df
col1 col2
0 w a
1 1 2
2 2 NaN
>>> df.replace({"col1": di})
col1 col2
0 w a
1 A 2
2 B NaN
或直接在级数上，即df["col1"]。替换(di,原地= True)。
或者适用:
df['col1'].apply(lambda x: {1: "A", 2: "B"}.get(x,x))
演示:
>>> df['col1']=df['col1'].apply(lambda x: {1: "A", 2: "B"}.get(x,x))
>>> df
col1 col2
0 w a
1 1 2
2 2 NaN
>>>
