如何高效将DataFrame内的类对象替换为其对应属性值

这里提供两种远优于手动逐行逐列遍历的高效实现，均基于pandas原生优化的向量化操作：

方案1：applymap 逐元素处理（中小规模数据首选，写法最简） #

所有列均为目标格式时，一行代码即可完成转换：

df = df.applymap(lambda item: (item[0], item[1].name))

如果仅部分列需要处理，指定目标列即可：

# 按需替换为你要处理的列名列表
target_cols = ["id1", "id2", "id3"]
df[target_cols] = df[target_cols].applymap(lambda item: (item[0], item[1].name))

该方法的循环逻辑在C层实现，比Python层手写双重遍历效率高1~2个数量级。

方案2：stack+map+unstack（超大规模数据性能更优） #

如果你处理的是十万行以上的大表，可以用栈化操作进一步降低函数调用开销：

df = df.stack().map(lambda item: (item[0], item[1].name)).unstack()

结果验证 #

你可以先抽单个元素确认转换逻辑是否符合预期：

print(df["id1"][0])
# 输出为 (0, 'type1') 即说明逻辑正确

内容的提问来源于stack exchange，提问作者Maxi Trien