Pandas字典映射多值对应同一字符串问题（非0值变NaN）

问题原因 #

你使用map()方法时，字典的键是(1,2,3,4,5,6,7,8,9,10)这个元组，但你的caffeine列是浮点型数值（如3.0、1.0）。map()会执行精确匹配，元组和单个数值无法匹配，因此所有非0值都被映射成了NaN。

解决方案 #

以下几种方法都能解决这个问题，按需选择：

方法1：用np.where做条件判断（最直观）

import numpy as np
newerdf['caffeine'] = np.where(newerdf['caffeine'] == 0, 'no', 'yes')

方法2：用replace()方法实现批量替换

newerdf['caffeine'] = newerdf['caffeine'].replace({0.0: 'no'}, 'yes')

这个写法中，第一个字典指定0.0替换为'no'，第二个参数'yes'是默认值，所有不匹配第一个字典的元素都会被替换成'yes'。

方法3：lambda函数配合map()

newerdf['caffeine'] = newerdf['caffeine'].map(lambda x: 'no' if x == 0 else 'yes')

方法4：转整数后用字典映射（适用于数值都是整数型浮点数的情况）

如果确认caffeine列的数值都是整数的浮点数（如1.0、2.0），可以先转成int类型再用map：

newerdf['caffeine'] = newerdf['caffeine'].astype(int).map({0: 'no', 1:'yes', 2:'yes', 3:'yes', 4:'yes', 5:'yes', 6:'yes', 7:'yes', 8:'yes', 9:'yes', 10:'yes'})

验证结果 #

用你提供的示例数据测试后，caffeine列的结果会变成：

0       no
1      yes
2      yes
3      yes
5      yes
      ... 
911    yes
912    yes
913    yes
914    yes
915    yes

内容的提问来源于stack exchange，提问作者Caledonian26