使用enumerate遍历pd.DataFrame列替换员工职级时出现长度不符问题及优化咨询

首先，咱们先找出你代码里导致结果长度不符的核心问题：

1. 错误的匹配逻辑导致重复添加 #

你在判断职级匹配时用了if df["lvl"][index] in v:，这里的in是包含匹配，而非精确匹配。举个例子，如果你的df["lvl"]里有值"2"，它会匹配所有包含"2"的原职级键（比如"22"、"21"、"20"），每匹配一次就往r_levels里加一个值——这就导致单条数据被多次添加，最终结果列表长度远超原数据行数。

2. 完全没必要转字典为元组 #

你把字典转成元组的操作完全是绕远路，字典的核心优势就是通过键快速查找值，反过来遍历元组不仅效率低，还容易搞反映射关系（你转成的元组是(目标职级, 原职级)，和原字典的键值方向相反）。

更简洁高效的解决方案 #

咱们直接利用字典的键值映射特性，结合pandas的内置函数来实现，既避免循环出错，又大幅提升效率：

方法一：用apply逐行处理（适合小数据量，逻辑直观） #

import pandas as pd

# 保留你原来的映射字典
lvls_sp = { "25":"1", "24" : "1", "23":"1", "22":"2" , "21":"2", "20":"3", "19":"3", "18":"3", "17":"3", "16":"4", "15":"4", "14":"5", "13":"5" , "12":"5", "11":"6", "10":"6", "9":"6", "8":"7", "7":"7", "6":"7", "0":"0" }
lvls_uk = { "25": "s8", "24" : "s7h","23":"s7h", "22":"s7" , "21":"s7", "20":"s6","19":"s6", "18":"s6", "17":"s5", "15":"s4", "16": "s4", "14":"s3", "13":"s3" , "12":"s2h", "11":"s2", "10":"s2", "9":"s2", "8": "s2l" , "7": "s2l", "6": "s1", "0":"0" }

# 定义映射函数，根据国家选择对应字典
def map_employee_level(row):
    # 先把职级转成字符串，确保和字典键类型匹配
    lvl_str = str(row["lvl"])
    if row["country"] == "SP":
        # 用get方法，找不到键就返回默认值"0"
        return lvls_sp.get(lvl_str, "0")
    elif row["country"] == "UK":
        return lvls_uk.get(lvl_str, "0")
    else:
        # 处理非SP/UK的情况，返回默认值
        return "0"

# 生成新的职级列
df["r_levels"] = df.apply(map_employee_level, axis=1)

方法二：用np.select+map（适合大数据量，效率更高） #

如果你的数据集很大，apply的逐行处理会比较慢，推荐用numpy的select结合pandas的map：

import pandas as pd
import numpy as np

# 保留映射字典不变
lvls_sp = { "25":"1", "24" : "1", "23":"1", "22":"2" , "21":"2", "20":"3", "19":"3", "18":"3", "17":"3", "16":"4", "15":"4", "14":"5", "13":"5" , "12":"5", "11":"6", "10":"6", "9":"6", "8":"7", "7":"7", "6":"7", "0":"0" }
lvls_uk = { "25": "s8", "24" : "s7h","23":"s7h", "22":"s7" , "21":"s7", "20":"s6","19":"s6", "18":"s6", "17":"s5", "15":"s4", "16": "s4", "14":"s3", "13":"s3" , "12":"s2h", "11":"s2", "10":"s2", "9":"s2", "8": "s2l" , "7": "s2l", "6": "s1", "0":"0" }

# 转换职级为字符串，然后用map匹配对应字典的值，缺失值填充为"0"
sp_mapped = df["lvl"].astype(str).map(lvls_sp).fillna("0")
uk_mapped = df["lvl"].astype(str).map(lvls_uk).fillna("0")

# 用np.select根据国家选择对应的映射结果
df["r_levels"] = np.select(
    [df["country"] == "SP", df["country"] == "UK"],
    [sp_mapped, uk_mapped],
    default="0"
)

额外提醒 #

• 确保df["lvl"]的类型和字典键的类型一致（都是字符串），如果你的lvl列是整数类型，一定要用astype(str)转换后再匹配，否则会因为类型不匹配找不到键，返回默认值0。
• 这两种方法生成的r_levels直接是DataFrame的列，不需要再手动转成Series，更符合pandas的使用习惯。

内容的提问来源于stack exchange，提问作者alfonsosmdc