Переназначение значений в столбце pandas с помощью dict

map может быть намного быстрее, чем replace

если ваш словарь имеет более чем пару клавиш, с помощью map может быть намного быстрее, чем replace. Существует две версии этого подхода, в зависимости от того, исчерпывающе ли ваш словарь отображает все возможные значения (а также Хотите ли вы заменить несоответствия или оставить их как отсутствующие значения):

Исчерпывающее Отображение

в этом случае форма очень просто:

df['col1'].map(di)       # note: if the dictionary does not exhaustively map all
                         # entries then non-matched entries are changed to NaNs

хотя map чаще всего принимает функцию в качестве аргумента, он может также принять словарь или ряд:документация для панд.серии.карта

Неисчерпывающее Отображение

если у вас есть неисчерпывающее сопоставление и вы хотите сохранить существующие переменные для несоответствий, вы можете добавить fillna:

df['col1'].map(di).fillna(df['col1'])

как в ответе @jpp здесь: замените значения в серии панд через словарь эффективно

критерии

используя следующие данные с pandas версии 0.23.1:

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 ) })

и тестирования с %timeit, явствует, что map - примерно в 10 раз быстрее, чем replace.

обратите внимание, что ускорение с map будет меняться в зависимости от ваших данных. Самое большое ускорение, по-видимому, связано с большими словарями и исчерпывающими заменами. См. ответ @jpp (связанный выше) для более обширных тестов и обсуждение.

есть немного двусмысленности в вашем вопросе. Есть хотя бы три два толкования:

1. ключи di см. значения Индекса
2. ключи di смотрите df['col1'] значения
3. ключи di обратитесь к индексным местоположениям (не вопрос OP, но брошенный для удовольствия.)

Ниже приведено решение для каждого случая.

---

Пример 1: Если ключи от di предназначены для ссылки на значения индекса, то вы можете использовать update способ:

df['col1'].update(pd.Series(di))

например,

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)

доходность

  col1 col2
1    w    a
2    B   30
0    A  NaN

я изменил значения из вашего исходного сообщения, так что это яснее, что update делает. Обратите внимание, как ключи в di связаны со значениями индекса. Порядок значений индекса, то есть индекса мест -- не важно.

---

случае 2: Если ключи в di смотрите df['col1'] значения, затем @DanAllan и @DSM показывают, как достичь этого с помощью 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)

доходность

  col1 col2
1    w    a
2    A   30
0    B  NaN

обратите внимание, как в этом случае ключи в di были изменены, чтобы соответствовать значения in df['col1'].

---

Случай 3: Если ключи в di обратитесь к индексным местоположениям, тогда вы можете используйте

df['col1'].put(di.keys(), di.values())

С

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)

доходность

  col1 col2
1    A    a
2   10   30
0    B  NaN

здесь первая и третья строки были изменены, потому что ключи в di are 0 и 2, которые с индексированием на основе 0 Python относятся к первому и третьему местоположениям.

добавление к этому вопросу, если у вас когда-либо было более одного столбца для переназначения в фрейме данных данных:

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

надеюсь, что это может быть полезным кому-то.

Ура

DSM имеет принятый ответ, но кодирование, похоже, не работает для всех. Вот тот, который работает с текущей версией pandas (0.23.4 по состоянию на 8/2018):

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())

вы увидите, что это выглядит так:

   col1      col2  converted_column
0     1  negative                -1
1     2  positive                 1
2     2   neutral                 0
3     3   neutral                 0
4     1  positive                 1

документы на панды.Фрейм данных.заменить здесь.

более родной подход панды заключается в применении функции замены, как показано ниже:

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) 

Как только вы определили функцию, вы можете применить ее к своему фрейму данных.

di = {1: "A", 2: "B"}
df['col1'] = df.apply(lambda row: multiple_replace(di, row['col1']), axis=1)

или apply:

df['col1'].apply(lambda x: {1: "A", 2: "B"}.get(x,x))

демо:

>>> 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
>>>