我有一本看起来像这样的字典：di = {1: "A", 2: "B"}
我想将它应用于col1类似于以下的数据框的列：
col1 col2
0 w a
1 1 2
2 2 NaN
要得到：
col1 col2
0 w a
1 A 2
2 B NaN
我怎样才能最好地做到这一点？出于某种原因，与此相关的谷歌搜索术语仅向我显示有关如何从 dicts 制作列的链接，反之亦然：-/
您可以使用.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Series，即df["col1"].replace(di, inplace=True)。
map可以比replace如果您的字典有多个键，则 usingmap可以比replace. 这种方法有两个版本，取决于您的字典是否详尽地映射了所有可能的值（以及您是否希望非匹配项保留其值或转换为 NaN）：
在这种情况下，表单非常简单：
df['col1'].map(di) # note: if the dictionary does not exhaustively map all
# entries then non-matched entries are changed to NaNs
尽管map最常用的参数是函数，但它也可以使用字典或系列： Pandas.series.map 的文档
如果您有一个非详尽的映射并希望保留现有的不匹配变量，您可以添加fillna：
df['col1'].map(di).fillna(df['col1'])
正如@jpp 在这里的回答： 通过字典有效地替换熊猫系列中的值
在 pandas 0.23.1 版中使用以下数据：
di = {1: "A", 2: "B", 3: "C", 4: "D", 5: "E", 6: "F", 7: "G", 8: "H" }
df = pd.DataFrame({ 'col1': np.random.choice( range(1,9), 100000 ) })
和测试%timeit，它似乎比 .map快大约 10 倍replace。
请注意，您的加速map将因您的数据而异。最大的加速似乎是大字典和详尽的替换。有关更广泛的基准和讨论，请参阅@jpp 答案（上面链接）。
你的问题有点模棱两可。至少有三种两种解释：
di指索引值di指df['col1']值di指索引位置（不是OP的问题，而是为了好玩。）以下是每种情况的解决方案。
情况 1：
如果 的键di是指索引值，那么您可以使用以下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)
产量
col1 col2
1 w a
2 B 30
0 A NaN
我已经修改了您原始帖子中的值，因此更清楚update正在做什么。请注意其中的键di是如何与索引值相关联的。索引值的顺序（即索引位置）无关紧要。
情况 2：
如果中的键di引用df['col1']值，则 @DanAllan 和 @DSM 显示如何通过以下方式实现此目的replace：
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)
产量
col1 col2
1 w a
2 A 30
0 B NaN
请注意，在这种情况下，如何di更改 in 中的键以匹配df['col1'].
案例 3：
如果中的键是di指索引位置，那么您可以使用
df['col1'].put(di.keys(), di.values())
自从
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)
产量
col1 col2
1 A a
2 10 30
0 B NaN
在这里，第一行和第三行被更改，因为键di是0and 2，使用 Python 的基于 0 的索引指的是第一和第三位置。
DSM 有公认的答案，但编码似乎并不适合所有人。这是适用于当前版本的 pandas（截至 8/2018 为 0.23.4）的版本：
import pandas as pd
df = pd.DataFrame({'col1': [1, 2, 2, 3, 1],
'col2': ['negative', 'positive', 'neutral', 'neutral', 'positive']})
conversion_dict = {'negative': -1, 'neutral': 0, 'positive': 1}
df['converted_column'] = df['col2'].replace(conversion_dict)
print(df.head())
你会看到它看起来像：
col1 col2 converted_column
0 1 negative -1
1 2 positive 1
2 2 neutral 0
3 3 neutral 0
4 1 positive 1
pandas.DataFrame.replace的文档在这里。
Givenmap比 replace 更快（@JohnE 的解决方案），您需要小心使用非详尽映射，您打算将特定值映射到NaN. 在这种情况下，正确的方法要求您mask在您使用 Series 时.fillna，否则您撤消到 的映射NaN。
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
如果您在数据数据框中有多个列要重新映射，请添加到此问题：
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
希望它对某人有用。
干杯
或者做apply：
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
>>>
一个很好的完整解决方案，可以保留类标签的地图：
labels = features['col1'].unique()
labels_dict = dict(zip(labels, range(len(labels))))
features = features.replace({"col1": labels_dict})
这样，您可以随时从 labels_dict 中引用原始类标签。
作为对 Nico Coallier（适用于多个列）和 U10-Forward（使用方法的应用风格）提出的内容的扩展，并将其总结为我建议的单行代码：
df.loc[:,['col1','col2']].transform(lambda x: x.map(lambda x: {1: "A", 2: "B"}.get(x,x))
将.transform()每一列作为一个系列处理。与之相反.apply()，通过 DataFrame 中聚合的列。
因此，您可以应用 Series 方法map()。
最后，感谢 U10，我发现了这种行为，您可以在 .get() 表达式中使用整个系列。除非我误解了它的行为并且它按顺序而不是按位处理系列。
您在映射字典中未提及的值的帐户，否则该方法.get(x,x)将被视为 Nan.map()
更原生的 pandas 方法是应用如下替换函数：
def multiple_replace(dict, text):
# Create a regular expression from the dictionary keys
regex = re.compile("(%s)" % "|".join(map(re.escape, dict.keys())))
# For each match, look-up corresponding value in dictionary
return regex.sub(lambda mo: dict[mo.string[mo.start():mo.end()]], text)
定义函数后，您可以将其应用于数据框。
di = {1: "A", 2: "B"}
df['col1'] = df.apply(lambda row: multiple_replace(di, row['col1']), axis=1)
您可以使用数据框中缺少的对来更新映射字典。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