如何将DataFrame中子实例列归类为更少分组？附示例数据

嘿，这个需求在数据处理里太常见了！咱们可以通过映射字典结合Pandas的map()或replace()方法，轻松把零散的子类别归为更少的大分组。我结合你给出的示例数据，给你一步步演示具体操作：

首先先把你的示例DataFrame创建出来：

import pandas as pd
import numpy as np

df = pd.DataFrame({ 
    'a':np.random.randn(60), 
    'b':np.random.choice( [5,7,np.nan], 60), 
    'c':np.random.choice( ['panda', 'elephant', 'python', 'anaconda', 'shark', 'clown fish'], 60), 
    'e':np.tile( range(20), 3 ) 
})

一、字符串子类别分组（以列c为例） #

假设我们想把列c的6个子类别归为3个大分组：

• 陆地哺乳动物：panda、elephant
• 蛇类：python、anaconda
• 海洋生物：shark、clown fish

方法1：用映射字典 + map()（最推荐） #

先定义子类别到大分组的映射关系，再用map()批量转换：

# 定义映射字典，key是子类别，value是目标大分组
category_map = {
    'panda': '陆地哺乳动物',
    'elephant': '陆地哺乳动物',
    'python': '蛇类',
    'anaconda': '蛇类',
    'shark': '海洋生物',
    'clown fish': '海洋生物'
}

# 新增一列存储分组结果
df['c_grouped'] = df['c'].map(category_map)

map()会遍历列c的每个元素，精准匹配字典中的key并替换为对应的value。如果遇到字典里没覆盖的子类别，会返回NaN，可以用fillna()统一处理：

# 把未匹配到的子类别归为“其他”
df['c_grouped'] = df['c'].map(category_map).fillna('其他')

方法2：用replace()实现批量替换 #

replace()也能实现相同效果，语法和map()几乎一致，适合习惯用这个方法的场景：

df['c_grouped'] = df['c'].replace(category_map)

如果你的子类别有规律（比如包含特定关键词），还可以结合正则表达式批量替换，比如所有带“fish”的都归为海洋生物：

# 正则匹配含"fish"的子类别
df['c_grouped'] = df['c'].replace(r'.*fish.*', '海洋生物', regex=True)

二、数值型列的分组技巧（以列b为例） #

你的列b是数值+缺失值的结构，我们可以用np.where或pd.cut来分组：

针对离散数值/缺失值分组 #

比如把5、7归为“有效数值”，NaN归为“缺失值”：

df['b_grouped'] = np.where(df['b'].isna(), '缺失值', '有效数值')

针对连续数值分桶（以列a为例） #

如果是像列a这样的连续随机数，想分成“低”“中”“高”三个区间，可以用pd.cut()：

# 按等频分3桶，自定义标签
df['a_grouped'] = pd.cut(df['a'], bins=3, labels=['低', '中', '高'])

也可以手动指定区间边界：

# 自定义区间：(-∞, -0.5], (-0.5, 0.5], (0.5, +∞)
df['a_grouped'] = pd.cut(df['a'], bins=[-np.inf, -0.5, 0.5, np.inf], labels=['低', '中', '高'])

三、额外注意事项 #

• 如果子类别数量特别多，手动写映射字典麻烦，可以先提取唯一值再批量赋值：

  # 获取列c的所有唯一子类别
  unique_subcats = df['c'].unique()
  # 然后逐个对应大分组，比如用循环或字典推导式
  

• 如果子类别存在拼写差异（比如"clownfish"和"clown fish"），可以用模糊匹配库（如fuzzywuzzy）来实现近似映射，不过需要额外安装依赖。

最后可以用value_counts()验证分组结果是否正确：

print(df['c_grouped'].value_counts())

内容的提问来源于stack exchange，提问作者user8970863