Question

我在字典中有一些数据和pandas数据框如：

s_dict = {('A1','B1'):100, ('A3','B3'):300}

df = pd.DataFrame(data={'A': ['A1', 'A2'], 'B': ['B1', 'B2'], 
                        'C': ['C1', 'C2'], 'count':[1,2]})

#    A   B   C  count
#0  A1  B1  C1      1
#1  A2  B2  C2      2

我想替换＆＃34; df＆＃34;的计数列如果数据存在于s_dict中。所以我想要跟随输出：

#    A   B   C  count
#0  A1  B1  C1      100
#1  A2  B2  C2      2

Answer 1

您可以使用：

df['count'] = df[['A', 'B']].apply(tuple, axis=1).map(s_dict).fillna(df['count'])

apply(tuple, axis=1)创建相关列的元组＆＃39;值。
map(s_dict)将元组映射到s_dict。
fillna(df['count'])使用count。

Answer 2

以下是使用zip()的一种方式，通常比.apply()快。

import pandas as pd

s_dict = {('A1','B1'):100, ('A3','B3'):300}
df = pd.DataFrame(data={'A': ['A1', 'A2'], 'B': ['B1', 'B2'], 
                       'C': ['C1', 'C2'], 'count':[1,2]})

# Create a map
m = pd.Series(list(zip(df['A'],df['B']))).map(s_dict).dropna()

# Assign to the index that are not nan
df.loc[m.index, 'count'] = m

通过使用您可以执行的列值填充na来启发：（似乎是最快的）

df['count'] = pd.Series(list(zip(df['A'],df['B']))).map(s_dict).fillna(df['count'])

<强>计时

df['count'] = pd.Series(list(zip(df['A'],df['B']))).map(s_dict).fillna(df['count'])
# 1.52 ms ± 85.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

df['count'] = df[['A', 'B']].apply(tuple, axis=1).map(s_dict).fillna(df['count'])
# 1.88 ms ± 100 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

dropna and loc (2 row-operation above)
# 1.93 ms ± 55.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

根据一些字典数据更改pandas中的列值

2 个答案: