使用Lambda表达式转换DataFrame指定列值的Pandas技术问题

嘿，别为这个小问题纠结啦！针对你需要把Category列里的Car转成C、Bike转成B（同时保留其他类别）的需求，我给你整理了几种实用的Pandas解决方案，挑你顺手的用就行～

首先先把你的原始DataFrame构造出来，方便复现：

import pandas as pd

data = {
    'ID': [8900, 9904, 6381, 5862, 2270],
    'Hourly Rate': [2.99, 9.99, 19.99, 2.99, 2.99],
    'Category': ['Car', 'Car', 'Bike', 'Bike', 'Car']
}
df1 = pd.DataFrame(data)

方法一：字典映射 + map()（灵活易扩展） #

这种方法最适合后续可能添加更多类别映射的场景，逻辑清晰好维护：

# 定义转换规则的字典
category_mapping = {'Car': 'C', 'Bike': 'B'}

# 复制原DataFrame避免修改原始数据
df2 = df1.copy()
# 用map转换，并用fillna保留未定义的原始类别
df2['Category'] = df2['Category'].map(category_mapping).fillna(df2['Category'])

解释：map()会根据字典替换对应值，fillna()确保如果遇到字典里没有的类别（比如新增的Truck），会保留原始值而不会变成NaN。

方法二：直接用replace()（最简洁） #

如果你的需求只是替换指定值，replace()一步就能搞定，代码最精简：

df2 = df1.copy()
# 直接传入替换规则字典
df2['Category'] = df2['Category'].replace({'Car': 'C', 'Bike': 'B'})

解释：replace()默认会保留未指定的原始值，不需要额外处理，非常省心。

方法三：嵌套np.where()（适合简单条件） #

如果只有少数几个转换条件，用numpy的where()也能实现：

import numpy as np

df2 = df1.copy()
# 嵌套判断：先判断是否为Car，再判断是否为Bike，否则保留原值
df2['Category'] = np.where(df2['Category'] == 'Car', 'C',
                          np.where(df2['Category'] == 'Bike', 'B', df2['Category']))

解释：这种方法适合条件较少的场景，条件多了会显得代码冗余，不如字典映射清晰。

最终转换后的df2效果： #

ID  Hourly Rate Category
0   8900         2.99        C
1   9904         9.99        C
2   6381        19.99        B
3   5862         2.99        B
4   2270         2.99        C

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