如何在Pandas DataFrame索引中使用map？求新列优雅生成方案

嘿，我来帮你搞定这个问题！其实你完全不用绕弯子搞繁琐的操作，直接对索引本身动手就能轻松实现需求，同时也能直接在索引上用map来替换或扩展索引值。

一、用索引+字典生成新列的优雅方式 #

先拿个示例场景来说明，假设我们有这样的DataFrame和映射字典：

import pandas as pd

# 示例DataFrame
df = pd.DataFrame({'sales': [150, 200, 180]}, index=['p1', 'p2', 'p3'])
# 索引到有意义名称的映射字典
product_mapping = {'p1': '笔记本电脑', 'p2': '手机', 'p3': '平板'}

最简实现：直接对索引调用map #

你之前可能是先把索引转成普通列再做映射，其实完全没必要，直接对df.index调用map方法，然后赋值给新列就行：

df['product_name'] = df.index.map(product_mapping)

执行后你的DataFrame就会新增product_name列，完美对应索引的映射值，一步到位！

处理缺失键的情况 #

如果字典里没覆盖所有索引值，想给未匹配的索引设置默认值，可以结合lambda和字典的get方法：

# 假设映射字典少了p3
product_mapping = {'p1': '笔记本电脑', 'p2': '手机'}
df['product_name'] = df.index.map(lambda x: product_mapping.get(x, '未知产品'))

这样未匹配的索引就会被自动填充为未知产品，灵活性拉满。

链式操作风格（可选） #

如果你习惯链式写法，也可以用assign方法，不用单独赋值，直接生成新的DataFrame：

df = df.assign(product_name=df.index.map(product_mapping))

二、直接在Pandas索引中使用map #

如果你的需求是直接替换原索引内容，而不是生成新列，直接对索引调用map后重新赋值就行：

# 直接替换原索引
df.index = df.index.map(product_mapping)

执行后原索引的p1、p2、p3就会变成对应的产品名称。

要是想保留原索引，同时添加映射后的新索引（多级索引），可以用set_index的append参数：

# 添加多级索引，保留原索引
df = df.set_index(df.index.map(product_mapping), append=True)

这样你的DataFrame就会有两级索引，一级是原索引，一级是映射后的产品名称。

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