如何将DataFrame中severity列的字典转为值为列名的指定结构DataFrame

现有一个DataFrame，其中severity列存储着字典数据，示例字典如下：

{'BLOCKER': 'F', 'CRITICAL': 'E', 'MAJOR': 'D', 'MINOR': 'B', 'NO RISK': 'A'}

需要将其转换为目标结构的DataFrame：

• 目标列名为A、B、C、D、E、F
• 各列对应的行值依次为NO RISK、MINOR、NA、MAJOR、CRITICAL、BLOCKER
• 原字典的键需对应到以其值为列名的位置，无匹配的列填充NA

要实现这个转换，按以下步骤操作：

1. 反转字典映射：把原字典的键值对反转，变成{值: 键}的形式，这样就能直接通过列名找到对应的风险等级。
2. 匹配目标列：按目标列的顺序，用反转后的字典匹配对应的值，找不到匹配项的列填充NA。
3. 生成目标DataFrame：将匹配后的结果转换成指定格式的DataFrame。

代码实现 #

import pandas as pd

# 构造示例原始DataFrame
df = pd.DataFrame({
    'severity': [{'BLOCKER': 'F', 'CRITICAL': 'E', 'MAJOR': 'D', 'MINOR': 'B', 'NO RISK': 'A'}]
})

# 定义目标列的固定顺序
target_cols = ['A', 'B', 'C', 'D', 'E', 'F']

# 处理每行的severity字典
def process_severity(severity_dict):
    # 反转字典，让值作为键，原风险等级作为对应值
    reversed_map = {v: k for k, v in severity_dict.items()}
    # 按目标列顺序生成对应内容，无匹配则填'NA'
    return [reversed_map.get(col, 'NA') for col in target_cols]

# 应用转换并生成目标DataFrame
result_df = pd.DataFrame(df['severity'].apply(process_severity).tolist(), columns=target_cols)

# 输出结果
print(result_df)

运行结果 #

A     B    C     D       E       F
0  NO RISK  MINOR  NA  MAJOR  CRITICAL  BLOCKER

内容的提问来源于stack exchange，提问作者begadali