DataFrame列用字典映射值方法

积累知识，胜过积蓄金银！毕竟在文章开发的过程中，会遇到各种各样的问题，往往都是一些细节知识点还没有掌握好而导致的，因此基础知识点的积累是很重要的。下面本文《DataFrame 如何用列表映射指定列字典值》，就带大家讲解一下知识点，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

本文介绍两种简洁高效的方法，使用列名列表批量对 Pandas DataFrame 的子集列应用字典映射（如缩写替换），避免重复书写列名或多次调用 `replace()`。

在数据清洗与标准化过程中，常需将多列中特定字符串按统一规则映射为新值（例如将城市代码 'PHX' → 'PHO'、'BKN' → 'NJN'），但又不希望影响其他列。Pandas 的 DataFrame.replace() 方法虽强大，但默认作用于全表；若仅针对部分列，传统写法易冗余：

# ❌ 冗长且不可扩展
df = df.replace({'col1': name_dict}).replace({'col2': name_dict})

# ❌ 仍需显式列出每列
df = df.replace({'col1': name_dict, 'col2': name_dict})

✅ 推荐方案一：用 dict.fromkeys() 构造映射字典
该方法利用 Python 内置函数 dict.fromkeys(keys, value) 快速生成键值对一致的字典，语法简洁、语义清晰：

name_dict = {'PHX': 'PHO', 'BKN': 'NJN'}
cols_to_map = ['col1', 'col2']

df = df.replace(dict.fromkeys(cols_to_map, name_dict))

此行等价于 df.replace({'col1': name_dict, 'col2': name_dict})，但无需重复键名，便于维护和扩展。

✅ 推荐方案二：切片 + 原地替换（更直观、内存友好）
直接选取目标列子集，对其调用 replace()，并赋值回原 DataFrame。适用于需明确控制作用范围或处理大型数据集的场景：

cols_to_map = ['col1', 'col2']
df[cols_to_map] = df[cols_to_map].replace(name_dict)

⚠️ 注意：此方式不会修改未选中的列（如 col3 保持原样），且支持链式操作与 inplace=False 默认行为，安全可控。

完整可运行示例：

import pandas as pd

data = {
    'id': ['a', 'b', 'c', 'd', 'e'],
    'col1': ['PHX', 'BKN', 'X', 'PHX', 'X'],
    'col2': ['X', 'PHX', 'BKN', 'BKN', 'X'],
    'col3': ['PHX', 'BKN', 'PHX', 'BKN', 'PHX']
}
df = pd.DataFrame(data)
name_dict = {'PHX': 'PHO', 'BKN': 'NJN'}

# 任选其一即可
df = df.replace(dict.fromkeys(['col1', 'col2'], name_dict))
# 或
# df[['col1', 'col2']] = df[['col1', 'col2']].replace(name_dict)

print(df)

输出符合预期：

  id col1 col2 col3
0  a  PHO    X  PHX
1  b  NJN  PHO  BKN
2  c    X  NJN  PHX
3  d  PHO  NJN  BKN
4  e    X    X  PHX

总结：

• dict.fromkeys(cols, mapping_dict) 是语法最简的“声明式”方案，适合配置化或动态列名场景；
• df[cols] = df[cols].replace(...) 是逻辑最直白的“操作式”方案，利于调试与性能优化；
• 避免使用 df.replace({['col1','col2']: ...}) —— 列表不可哈希，会触发 TypeError；
• 两种方法均不改变原始字典结构，也不影响未指定列，兼顾安全性与可读性。

理论要掌握，实操不能落！以上关于《DataFrame列用字典映射值方法》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！