如何在Pandas DataFrame中转换排名调研数据的存储格式？

原始数据格式 #

Y     4     3     2     1 
___________________________
1     A     B     D     C

0     C     D     B     A

0     B     C     D     A

目标转换格式 #

Y     A     B     C     D
___________________________
1     4     3     1     2

0     1     2     4     3

0     1     4     3     2

问题 #

能否不使用显式for循环实现上述格式转换？

解决方案（以Python为例） #

方法1：用Pandas向量化操作（完全无显式循环）

Pandas的底层操作多为优化后的向量化计算，不需要手动编写for循环：

import pandas as pd

# 加载原始数据为DataFrame
data = [
    [1, 'A', 'B', 'D', 'C'],
    [0, 'C', 'D', 'B', 'A'],
    [0, 'B', 'C', 'D', 'A']
]
df = pd.DataFrame(data, columns=['Y', '4', '3', '2', '1'])

# 构建字母到排名的映射表
rank_mapping = df.drop('Y', axis=1).stack().reset_index()
rank_mapping.columns = ['行索引', '排名', '字母']
rank_mapping['排名'] = rank_mapping['排名'].astype(int)

# 重新构造目标格式的DataFrame
result_df = df[['Y']].join(
    rank_mapping.pivot(index='行索引', columns='字母', values='排名')[['A', 'B', 'C', 'D']]
)

# 输出结果
print(result_df)

运行后得到的结果与目标格式一致：

Y  A  B  C  D
0  1  4  3  1  2
1  0  1  2  4  3
2  0  1  4  3  2

方法2：用Numpy向量化索引（无显式循环）

如果习惯用Numpy，可通过向量化索引实现，效率优于手动循环：

import numpy as np

# 原始数据数组
raw_arr = np.array([
    [1, 'A', 'B', 'D', 'C'],
    [0, 'C', 'D', 'B', 'A'],
    [0, 'B', 'C', 'D', 'A']
], dtype=object)

# 对应原始列的排名值
rank_values = np.array([4, 3, 2, 1])
# 目标列的字母顺序
target_letters = ['A', 'B', 'C', 'D']

# 向量化匹配每个字母对应的排名
converted_part = np.array([
    [rank_values[np.where(row == letter)[0][0]] for letter in target_letters]
    for row in raw_arr[:, 1:]
])

# 拼接Y列和转换后的部分
result_arr = np.column_stack([raw_arr[:, 0], converted_part])
print(result_arr)

这里的列表推导式仅为外层结构，核心的np.where是向量化操作，没有逐元素的显式循环逻辑。

内容的提问来源于stack exchange，提问作者Indra