如何在Python的pandas.DataFrame中将1/0转换为Yes/No？附R实现示例

Hey there! Glad to help you translate that R logic over to Python with pandas. Here are a few straightforward ways to achieve the same result you got in R:

方法1：使用map进行键值映射 #

这是最直观的方式，直接把beta列的0和1映射成对应的'NO'和'YES'：

import pandas as pd
df = pd.DataFrame({'alpha': [50, 51, 52], 'beta': [1,0,1]})
# 用字典定义映射关系
df['gamma'] = df['beta'].map({0: 'NO', 1: 'YES'})

方法2：使用numpy.where做条件判断 #

如果需要更灵活的条件逻辑（比如后续要扩展判断规则），这种方法会更合适：

import pandas as pd
import numpy as np
df = pd.DataFrame({'alpha': [50, 51, 52], 'beta': [1,0,1]})
# 条件：beta等于1时返回YES，否则返回NO
df['gamma'] = np.where(df['beta'] == 1, 'YES', 'NO')

方法3：转成分类变量（和R的factor逻辑一致） #

如果你想复刻R中factor的行为（比如节省内存、保留分类属性），可以把列转成pandas的分类类型：

import pandas as pd
df = pd.DataFrame({'alpha': [50, 51, 52], 'beta': [1,0,1]})
# 先把beta转成分类类型，再重命名分类标签
df['gamma'] = df['beta'].astype('category')
df['gamma'] = df['gamma'].cat.rename_categories({0: 'NO', 1: 'YES'})

运行结果 #

不管用哪种方法，最终的DataFrame都会是这样：

alpha  beta gamma
0     50     1   YES
1     51     0    NO
2     52     1   YES

每种方法各有优势：

• map适合简单固定的键值映射，代码简洁
• numpy.where适合复杂的多条件判断场景
• 分类变量的方法和R的factor逻辑最贴近，适合处理大量重复分类值的数据集，能有效节省内存

内容的提问来源于stack exchange，提问作者Spring