python - 使用字典中的映射值添加新的 pandas 列

Question

这个问题在这里已经有了答案:

Remap values in pandas column with a dict, preserve NaNs (11 个回答)

关闭 3年前。

我正在尝试做一些在 pandas 中应该非常简单的事情，但似乎不是。我正在尝试将一列添加到现有的 pandas 数据框中，该数据框是基于另一个(现有)列的映射值。这是一个小测试用例:

import pandas as pd
equiv = {7001:1, 8001:2, 9001:3}
df = pd.DataFrame( {"A": [7001, 8001, 9001]} )
df["B"] = equiv(df["A"])
print(df)

我希望结果如下:

      A   B
0  7001   1
1  8001   2
2  9001   3

相反，我收到一条错误消息，告诉我 equiv 不是可调用函数。很公平，它是一本字典，但即使我将它包装在一个函数中，我仍然会感到沮丧。所以我尝试使用一个似乎可以与其他操作一起使用的 map 函数，但它也被字典的使用所击败:

df["B"] = df["A"].map(lambda x:equiv[x])

在这种情况下，我只得到 KeyError: 8001。我已经阅读了文档和以前的帖子，但还没有遇到任何建议如何将字典与 pandas 数据帧混合的内容。任何建议将不胜感激。

Answer 1

正确的做法是df["B"] = df["A"].map(equiv)。

In [55]:

import pandas as pd
equiv = {7001:1, 8001:2, 9001:3}
df = pd.DataFrame( {"A": [7001, 8001, 9001]} )
df["B"] = df["A"].map(equiv)
print(df)
      A  B
0  7001  1
1  8001  2
2  9001  3

[3 rows x 2 columns]

它会很好地处理 key 不存在的情况，考虑以下示例:

In [56]:

import pandas as pd
equiv = {7001:1, 8001:2, 9001:3}
df = pd.DataFrame( {"A": [7001, 8001, 9001, 10000]} )
df["B"] = df["A"].map(equiv)
print(df)
       A   B
0   7001   1
1   8001   2
2   9001   3
3  10000 NaN

[4 rows x 2 columns]