如何使用dictionary与isin()为DataFrame生成匹配字典值的分类列？

嘿，这个需求很常见，用isin()配合numpy.select就能完美解决，我给你一步步说明怎么做：

1. 先准备好你的数据 #

首先确保字典和DataFrame的定义正确，注意Value列的类型要和字典里的值类型一致（这里都是字符串）：

import pandas as pd
import numpy as np

# 你的原始字典
d = {'Car':['1','2','3'], 
     'Chicken legs':['4','5','6'], 
     'Coronary artery bypass graft surgery':['7','8','9','10','11','12']}

# 你的原始DataFrame
df = pd.DataFrame({
    'Color': ['red', 'blue', 'green', 'orange'],
    'Style': ['round', 'square', 'triangle', 'sphere'],
    'Value': ['1', '5', '9', '12']
})

2. 用isin()构建匹配条件+新增列 #

核心思路是：为字典的每个Key生成一个布尔条件（判断Value是否在对应的值列表里），然后用np.select把匹配的Key赋值给新列：

# 生成条件列表：每个元素是一个布尔数组，标记该行Value是否属于对应字典值列表
conditions = [df['Value'].isin(vals) for vals in d.values()]

# 生成对应的分类值（就是字典的Key）
choices = list(d.keys())

# 新增Thing列：根据第一个满足的条件匹配对应Key，无匹配则设为None
df['Thing'] = np.select(conditions, choices, default=None)

3. 最终结果 #

运行完上面的代码后，你的DataFrame会变成这样：

几个注意点 #

• 类型一致性：如果你的df['Value']是数字类型，记得把字典里的值也改成数字（比如['1','2']改成[1,2]），否则isin()会匹配失败。
• 重复匹配处理：如果某个Value同时出现在多个字典值列表里，np.select会优先选择第一个匹配的Key（Python 3.7+的字典是有序的，所以顺序和你定义字典时一致）。
• 默认值：如果有Value不在任何字典值列表里，default参数可以设置你想要的默认值（比如'Unknown'）。

内容的提问来源于stack exchange，提问作者CandleWax