如何基于字符串型索引为Pandas DataFrame添加多列？

问题背景 #

现有以字符串为索引的Pandas DataFrame：

import pandas as pd

# 创建DataFrame
df = pd.DataFrame({'Date':['10/2/2011', '11/2/2011', '12/2/2011', '13/2/2011'],
                   'Event':['Music', 'Poetry', 'Theatre', 'Comedy'],
                   'Cost':[10000, 5000, 15000, 2000]}, index=['john','mike','alfred','jerry'])

print(df)

自定义telbook类存储员工属性：

class telbook():
    def __init__(self):
        self.data = {'john':'python','mike':'C','alfred':'excel','jerry':'python'}
        self.country = {'john':'spain','mike':'India','alfred':'germany','jerry':'themoon'}

book = telbook()

尝试用以下代码添加列时，未报错但结果全为NaN：

df['lang'] = pd.Series(df.index).apply(lambda user_name: book.data[user_name])
df['country'] = pd.Series(df.index).apply(lambda user_name: book.country[user_name])

问题解答 #

1. 正确的实现方式 #

出现NaN的核心原因是：你创建的pd.Series(df.index)使用默认数字索引（0、1、2、3），而原DataFrame的索引是john、mike这类字符串，赋值时索引无法对齐，导致所有值变为NaN。

有两种简洁的修正方式：

方式一：直接用索引的map方法（推荐）

Index.map可直接接收字典，自动根据索引键匹配取值，无需编写lambda：

df['lang'] = df.index.map(book.data)
df['country'] = df.index.map(book.country)

方式二：保持apply但指定Series索引

如果坚持用apply，需让新Series的索引与原DataFrame一致：

df['lang'] = pd.Series(df.index, index=df.index).apply(lambda x: book.data[x])
df['country'] = pd.Series(df.index, index=df.index).apply(lambda x: book.country[x])

2. 批量添加多列的便捷方法 #

如果需要从telbook中提取多个属性列，最便捷的方式是把所有要添加的属性整合成新DataFrame，再与原DataFrame合并：

方法一：一次性构建属性DataFrame后合并

# 整理需要的属性为字典，键作为列名
additional_data = {
    'lang': book.data,
    'country': book.country
}
# 构建与原df索引一致的属性DataFrame
attr_df = pd.DataFrame(additional_data, index=df.index)
# 合并到原DataFrame
df = df.join(attr_df)

方法二：循环批量添加（适合属性较多的场景）

如果telbook中有多个属性需要提取，可通过循环批量处理：

# 定义要提取的属性名和对应列名的映射
attr_mapping = [
    ('data', 'lang'),
    ('country', 'country')
]

for attr_name, col_name in attr_mapping:
    # 获取telbook中的属性字典
    attr_dict = getattr(book, attr_name)
    # 添加列
    df[col_name] = df.index.map(attr_dict)

内容的提问来源于stack exchange，提问作者JFerro