如何在不使用apply的情况下将Pandas单元格值转为字典并保留原值

需求回顾 #

你有包含字符串和NaN值的DataFrame列：

import pandas as pd
import numpy as np

df = pd.DataFrame({'column': ['a', 'b', np.nan, 'c']})

需要将其转换为每个元素是{'key': 值}的字典，其中NaN对应{'key': None}，最终效果：

df['column'] = [{'key': 'a'}, {'key': 'b'}, {'key': None}, {'key': 'c'}]

向量化解决方案 #

方法1：结合fillna与列表推导式（高效推荐）

先通过向量化的fillna将所有NaN替换为None，再用列表推导式批量生成字典：

# 向量化替换NaN为None
processed_col = df['column'].fillna(None)
# 批量生成字典列表
df['column'] = [{'key': val} for val in processed_col]

如果需要同时处理空字符串（和你原代码逻辑一致），可以先将空字符串替换为NaN：

# 先替换空字符串为NaN，再转None
processed_col = df['column'].replace('', np.nan).fillna(None)
df['column'] = [{'key': val} for val in processed_col]

方法2：简化版map操作

用map替代apply，逻辑更简洁，比原代码的lambda判断更精简：

df['column'] = df['column'].map(lambda x: {'key': x} if pd.notna(x) else {'key': None})
# 包含空字符串处理的版本
df['column'] = df['column'].map(lambda x: {'key': x} if pd.notna(x) and x != '' else {'key': None})

向量化的优势 #

你原有的apply方法是逐元素遍历判断，而fillna和replace都是Pandas底层用C实现的向量化操作，在数据量较大时，效率会远高于逐元素的apply；列表推导式则是Python原生的批量操作，比apply的函数调用开销更小。

内容的提问来源于stack exchange，提问作者Valerio