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
你的问题有点模棱两可。至少有三种两种解释:
di中的键是指索引值 di中的键指df['col1']值 di中的键指的是索引位置(不是OP的问题，只是为了好玩)。
下面是针对每种情况的解决方案。
案例1: 如果di的键是指索引值，那么你可以使用update方法:
df['col1'].update(pd.Series(di))
例如,
import pandas as pd
import numpy as np
df = pd.DataFrame({'col1':['w', 10, 20],
'col2': ['a', 30, np.nan]},
index=[1,2,0])
# col1 col2
# 1 w a
# 2 10 30
# 0 20 NaN
di = {0: "A", 2: "B"}
# The value at the 0-index is mapped to 'A', the value at the 2-index is mapped to 'B'
df['col1'].update(pd.Series(di))
print(df)
收益率
col1 col2
1 w a
2 B 30
0 A NaN
我已经修改了你的原始帖子的值，所以它是更清楚的更新正在做什么。 注意di中的键是如何与索引值相关联的。索引值的顺序(即索引位置)并不重要。
案例2: 如果di中的键指向df['col1']值，那么@DanAllan和@DSM显示了如何使用replace实现这一点:
import pandas as pd
import numpy as np
df = pd.DataFrame({'col1':['w', 10, 20],
'col2': ['a', 30, np.nan]},
index=[1,2,0])
print(df)
# col1 col2
# 1 w a
# 2 10 30
# 0 20 NaN
di = {10: "A", 20: "B"}
# The values 10 and 20 are replaced by 'A' and 'B'
df['col1'].replace(di, inplace=True)
print(df)
收益率
col1 col2
1 w a
2 A 30
0 B NaN
注意在本例中di中的键是如何被更改为匹配df['col1']中的值的。
案例3: 如果di中的键指向索引位置，则可以使用
df['col1'].put(di.keys(), di.values())
自
df = pd.DataFrame({'col1':['w', 10, 20],
'col2': ['a', 30, np.nan]},
index=[1,2,0])
di = {0: "A", 2: "B"}
# The values at the 0 and 2 index locations are replaced by 'A' and 'B'
df['col1'].put(di.keys(), di.values())
print(df)
收益率
col1 col2
1 A a
2 10 30
0 B NaN
在这里，第一行和第三行被改变了，因为di中的键是0和2，在Python基于0的索引中，它们指的是第一行和第三个位置。
其他回答
作为Nico Coallier(应用于多个列)和U10-Forward(使用apply风格的方法)提出的扩展，并将其总结为一行程序，我建议:
df.loc[:,['col1','col2']].transform(lambda x: x.map(lambda x: {1: "A", 2: "B"}.get(x,x))
transform()将每一列作为一个系列处理。与.apply()相反，它传递在DataFrame中聚合的列。
因此，您可以应用Series方法map()。
最后，我发现了这个行为多亏了U10，你可以在.get()表达式中使用整个系列。除非我误解了它的行为，它按顺序处理系列而不是按位处理。 .get(x,x)表示映射字典中没有提到的值，否则.map()方法会将这些值视为Nan
你的问题有点模棱两可。至少有三种两种解释:
di中的键是指索引值 di中的键指df['col1']值 di中的键指的是索引位置(不是OP的问题，只是为了好玩)。
下面是针对每种情况的解决方案。
案例1: 如果di的键是指索引值，那么你可以使用update方法:
df['col1'].update(pd.Series(di))
例如,
import pandas as pd
import numpy as np
df = pd.DataFrame({'col1':['w', 10, 20],
'col2': ['a', 30, np.nan]},
index=[1,2,0])
# col1 col2
# 1 w a
# 2 10 30
# 0 20 NaN
di = {0: "A", 2: "B"}
# The value at the 0-index is mapped to 'A', the value at the 2-index is mapped to 'B'
df['col1'].update(pd.Series(di))
print(df)
收益率
col1 col2
1 w a
2 B 30
0 A NaN
我已经修改了你的原始帖子的值，所以它是更清楚的更新正在做什么。 注意di中的键是如何与索引值相关联的。索引值的顺序(即索引位置)并不重要。
案例2: 如果di中的键指向df['col1']值，那么@DanAllan和@DSM显示了如何使用replace实现这一点:
import pandas as pd
import numpy as np
df = pd.DataFrame({'col1':['w', 10, 20],
'col2': ['a', 30, np.nan]},
index=[1,2,0])
print(df)
# col1 col2
# 1 w a
# 2 10 30
# 0 20 NaN
di = {10: "A", 20: "B"}
# The values 10 and 20 are replaced by 'A' and 'B'
df['col1'].replace(di, inplace=True)
print(df)
收益率
col1 col2
1 w a
2 A 30
0 B NaN
注意在本例中di中的键是如何被更改为匹配df['col1']中的值的。
案例3: 如果di中的键指向索引位置，则可以使用
df['col1'].put(di.keys(), di.values())
自
df = pd.DataFrame({'col1':['w', 10, 20],
'col2': ['a', 30, np.nan]},
index=[1,2,0])
di = {0: "A", 2: "B"}
# The values at the 0 and 2 index locations are replaced by 'A' and 'B'
df['col1'].put(di.keys(), di.values())
print(df)
收益率
col1 col2
1 A a
2 10 30
0 B NaN
在这里，第一行和第三行被改变了，因为di中的键是0和2，在Python基于0的索引中，它们指的是第一行和第三个位置。
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)。
鉴于map比replace快(@JohnE的解决方案)，在打算将特定值映射到NaN的非穷举映射时需要小心。在这种情况下，正确的方法要求在使用.fillna时屏蔽Series，否则将撤消到NaN的映射。
import pandas as pd
import numpy as np
d = {'m': 'Male', 'f': 'Female', 'missing': np.NaN}
df = pd.DataFrame({'gender': ['m', 'f', 'missing', 'Male', 'U']})
keep_nan = [k for k,v in d.items() if pd.isnull(v)]
s = df['gender']
df['mapped'] = s.map(d).fillna(s.mask(s.isin(keep_nan)))
gender mapped
0 m Male
1 f Female
2 missing NaN
3 Male Male
4 U U
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
>>>
