Valeurs de Remap dans la colonne pandas avec un dict

map peut être beaucoup plus rapide que replace

si votre dictionnaire a plus d'un couple de clés, en utilisant map peut être beaucoup plus rapide que replace . Il y a deux versions de cette approche, selon que votre dictionnaire trace de façon exhaustive toutes les valeurs possibles (et aussi si vous voulez remplacer les non-correspondances ou les laisser comme valeurs manquantes):

Cartographie Exhaustive

dans ce cas, la forme est très simple:

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

bien que map prenne le plus souvent une fonction comme argument, il peut alternativement prendre un dictionnaire ou une série: Documentation pour Pandas.série.carte

Cartographie Non Exhaustive

si vous avez une cartographie non exhaustive et que vous souhaitez conserver les variables existantes pour les non-correspondances, vous pouvez ajouter fillna :

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

comme dans la réponse de @jpp ici: remplacer les valeurs dans une série de pandas via le dictionnaire efficacement

Repères

utilisant les données suivantes avec pandas version 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 ) })

et l'essai avec %timeit , il apparaît que map est environ 10 fois plus rapide que replace .

notez que votre vitesse avec map variera avec votre données. La plus grande accélération semble être avec de grands dictionnaires et remplace exhaustifs. Voir la réponse de @jpp (liée ci-dessus) pour des références et des discussions plus détaillées.

Il y a un peu d'ambiguïté dans votre question. Il y a au moins trois deux interprétations:

1. les touches dans di se réfèrent aux valeurs de l'indice
2. les touches di se réfèrent à df['col1'] valeurs
3. les touches dans di font référence à l'emplacement de l'index (pas la question de L'OP, mais jeté dans pour le plaisir.)

ci-dessous est un solution pour chaque cas.

---

Cas 1: Si les clés de di sont destinées à se référer à des valeurs d'indice, alors vous pouvez utiliser la update méthode:

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

par exemple,

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)

rendements

  col1 col2
1    w    a
2    B   30
0    A  NaN

j'ai modifié les valeurs de votre post original pour qu'il soit plus clair ce que update fait. Notez comment les clés dans di sont associés à des valeurs indicielles. L'ordre des valeurs de l'indice-qui est, l'indice emplacements -- n'a pas d'importance.

---

Cas 2: Si les touches di se réfèrent aux valeurs df['col1'] , alors @DanAllan et @DSM montrent comment réaliser ceci avec 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)

rendements

  col1 col2
1    w    a
2    A   30
0    B  NaN

noter comment dans ce cas les clés dans di ont été changées pour correspondre à valeurs dans df['col1'] .

---

Cas 3: Si les touches di se réfèrent à l'emplacement de l'index, alors vous pouvez utiliser

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

depuis

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)

rendements

  col1 col2
1    A    a
2   10   30
0    B  NaN

Ici, les première et troisième lignes ont été modifiées, parce que les touches di sont 0 et 2 , qui avec l'indexation basée sur 0 de Python se réfèrent aux premier et troisième emplacements.

ajouter à cette question si vous avez déjà plus d'une colonnes pour refaire dans une dataframe de données:

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

espérons qu'il puisse être utile à quelqu'un.

Cheers

DSM a la réponse acceptée, mais le codage ne semble pas fonctionner pour tout le monde. Voici un qui fonctionne avec la version actuelle de pandas (0.23.4 à partir de 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())

on dirait:

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

Les docs pour pandas.DataFrame.remplacer sont ici .

natifs de pandas approche consiste à appliquer une fonction remplacer comme ci-dessous:

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) 

une Fois que vous avez défini la fonction, vous pouvez l'appliquer à votre dataframe.

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

ou do apply :

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

Démo:

>>> 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
>>>