Python使用Pandas做数据离散化时报列名KeyError问题求助

错误原因 #

你遇到的KeyError: 'GRANGE_REG'错误，是因为你的DataFrame中不存在名为GRANGE_REG的列，结合LEG列可以正常处理，问题通常为以下两类：

• 列名拼写错误：手写的列名和实际列名不一致，大概率是拼写偏差，比如实际列名是GRANDE_REG，你误写为GRANGE_REG
• 列名携带隐形字符：导入ods格式文件时，列名可能前后携带空格、特殊符号等不可见字符，导致名称匹配失败

排查方法 #

运行如下代码输出所有列名，即可确认准确的列名：

print([col for col in X.columns])

拿到正确列名后，替换coluna列表中错误的GRANGE_REG即可解决报错。

离散化代码优化 #

你当前的离散化实现存在两个明显问题：

1. 全局replace操作会误替换其他列中与当前列分类值相同的内容，导致其他列数据异常
2. 双层循环的实现效率极低，数据量较大时运行耗时非常久
   你可以直接使用Pandas内置的factorize方法完成分类编码，和你原有逻辑完全一致，是将分类值映射为从0开始的连续整数，代码更简洁高效：

# 注意原列表中LEG重复定义，这里已去重
coluna = ["LEG","GRANGE_REG", "SIGLA_UF", "NOME", "TIPO", "CAT_ASSOC", "NOME_MUN"]
for col in coluna:
    X[col], _ = pd.factorize(X[col])
    print('处理后的数据:')
    print(X[col])

内容的提问来源于stack exchange，提问作者Gabriel Ferreira Franco