如何将DataFrame列中的聚类编号批量替换为指定新值？

首先，我们可以通过创建映射字典的方式，将原聚类编号与目标新编号一一对应，再用Pandas的内置方法快速完成替换操作。

步骤1：定义映射规则 #

把你给出的原聚类编号列表，和对应的递增新编号（从0开始）做成字典：

# 原聚类编号列表
original_clusters = [0, 4, 8, 25, 26, 95, 98, 144, 175]
# 生成映射字典：原编号 → 新编号（0到8）
cluster_mapping = {old_id: new_id for new_id, old_id in enumerate(original_clusters)}

这个字典会自动生成{0:0, 4:1, 8:2, ..., 175:8}的对应关系，完全匹配你的替换规则。

步骤2：生成新列 #

假设原聚类编号存储在df_new的cluster列中，直接用map()方法生成新列：

df_new['new'] = df_new['cluster'].map(cluster_mapping)

处理异常情况（可选） #

如果df_new中存在不在上述9个编号里的聚类值，map()会把这些值转为NaN。你可以用fillna()给它们设置默认值（比如-1）：

df_new['new'] = df_new['cluster'].map(cluster_mapping).fillna(-1).astype(int)

如果希望保留原异常值，改用replace()方法即可：

df_new['new'] = df_new['cluster'].replace(cluster_mapping)

批量处理多列（如果需要） #

如果你的DataFrame每行有多个聚类相关列需要替换，比如cluster_1、cluster_2等，可以批量操作：

# 指定需要替换的列列表
target_cols = ['cluster_1', 'cluster_2', 'cluster_3']
# 批量替换并生成新列
for col in target_cols:
    df_new[f'{col}_new'] = df_new[col].map(cluster_mapping)

内容的提问来源于stack exchange，提问作者JEG