如何基于字典映射以向量化方式批量替换DataFrame多列值？

问题场景 #

现有如下DataFrame：

df = DataFrame(data={'ID': ['a','b','c','d'], 'col1':[1,2,3,4], 'col2':[5,6,7,8], 'col3':[9,10,11,12]})

以及映射字典：

mapper = {'a':100,'d':3}

需要实现：当ID列的值匹配字典的键时，替换对应行的col1和col3的值。当前通过for循环实现，但数据量较大时效率低下，寻求向量化实现方式。

向量化实现方案 #

方案1：利用Series.map() + fillna() #

# 对col1执行映射替换，未匹配项保留原值
df['col1'] = df['ID'].map(mapper).fillna(df['col1'])
# 对col3执行相同操作
df['col3'] = df['ID'].map(mapper).fillna(df['col3'])

原理：map()会按ID的值匹配mapper的键，返回对应值；未匹配项返回NaN，再通过fillna()将NaN替换为原列的原始值，全程为向量化操作，避免循环开销。

方案2：使用DataFrame.replace()批量指定列映射 #

# 直接为col1和col3指定映射规则，原地更新
df.replace({'col1': mapper, 'col3': mapper}, inplace=True)

原理：replace()支持传入字典结构，键为列名，值为该列的映射规则，内部采用向量化逻辑处理，代码更简洁。

方案3：布尔索引批量更新 #

# 筛选出ID在mapper键中的行
mask = df['ID'].isin(mapper.keys())
# 获取这些行对应的映射值
replace_values = df['ID'].map(mapper)
# 批量更新col1和col3
df.loc[mask, ['col1', 'col3']] = replace_values.loc[mask].values[:, None]

原理：先通过isin()定位需要更新的行，再提取对应的替换值，最后通过loc一次性完成多列赋值，减少重复索引操作的开销。

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