Python是否有原生多键字典实现以简化pandas astype类型映射

使用pandas处理DataFrame时，批量调整列数据类型的常规实现是向astype方法传入列名与目标dtype的映射字典，示例代码：
ds = ds.astype({'Breite':float,'Hoehe':float,'Tiefe':float,'vol':float,'Anzahl':np.int64}, axis = 1)
这种写法在同类型列较多时重复度高，可读性差。

• 尝试将同类型的多个列打包为元组作为字典键，简化写法：
  shorter_dict = {('Breite','Hoehe','Tiefe','vol'):float,'Anzahl':np.int64}
  但直接将该字典传给astype无法生效——原生字典会将整个元组识别为单个键，不会自动拆分元组内的列名映射到对应的目标dtype。
• 了解到第三方模块multi_key_dict可实现多键绑定同一值的能力：多个关联键指向同一个值存储位置，通过任意一个键更新值时，所有关联键都可访问到更新后的值。但该能力依赖第三方安装，不属于Python原生功能。

Python没有内置实现与multi_key_dict完全等价的原生字典结构。
Python内置的dict本质为哈希表结构，每个键通过哈希值独立映射到对应的存储位置，不存在多键共享同一值入口的内置机制。若要实现“修改任意关联键时，同组所有键的取值同步更新”的效果，必须自定义字典类维护键组的映射关系，没有现成的原生实现。
如果仅需满足「同组列映射同一目标dtype」的需求，无需依赖第三方模块，只需提前将简化的元组键字典展开为标准列名-类型映射，再一次性传入astype即可，性能优于逐列循环调用类型转换的写法。

代码逻辑 #

import pandas as pd
import numpy as np

# 按目标类型分组列名的简化映射
type_group_map = {
    ('Breite','Hoehe','Tiefe','vol'): float,
    ('Anzahl',): np.int64
}

# 将元组键字典展开为标准列名-类型映射
expanded_map = {}
for cols, target_dtype in type_group_map.items():
    expanded_map.update({col: target_dtype for col in cols})

# 构造测试数据
df = pd.DataFrame(
    {'Breite':10,'Hoehe':20,'Tiefe':30,'vol':100,'Anzahl':400},
    index = [0]
)
print(df)
print(df.info(), '\n'*2)

# 一次性完成全列类型转换
df = df.astype(expanded_map, axis=1)
print(df)
print(df.info())

运行输出 #

Breite  Hoehe  Tiefe  vol  Anzahl
0      10     20     30  100     400
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1 entries, 0 to 0
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   Breite  1 non-null      int64
 1   Hoehe  1 non-null      int64
 2   Tiefe  1 non-null      int64
 3   vol     1 non-null      int64
 4   Anzahl  1 non-null      int64
dtypes: int64(5)
memory usage: 48.0 bytes
None 

   Breite  Hoehe  Tiefe    vol  Anzahl
0    10.0   20.0   30.0  100.0     400
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1 entries, 0 to 0
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Breite  1 non-null      float64
 1   Hoehe  1 non-null      float64
 2   Tiefe  1 non-null      float64
 3   vol     1 non-null      float64
 4   Anzahl  1 non-null      int64  
dtypes: float64(4), int64(1)
memory usage: 48.0 bytes
None

逐列循环调用astype的写法会多次拷贝DataFrame数据，大数据量下性能损耗明显；一次性展开映射后统一转换的方式仅执行一次数据拷贝，运行效率更高。

内容的提问来源于stack exchange，提问作者Hank Gordon