如何以向量化（Pandas风格）方式按映射替换DataFrame列值？

当然有更符合Pandas风格的向量化实现方式，以下是几种高效写法：

方法1：使用assign()配合字典推导 #

通过字典推导一次性生成所有需要替换的列映射，再用assign()批量更新，全程为向量化操作：

import pandas as pd

df = pd.DataFrame({
  "A1": [1, 11, 111],
  "A2": [2, 22, 222],
  "A3": [3, 33, 333],
  "A4": [4, 44, 444],
  "A5": [5, 55, 555]
})

mapping = {
  "A1": ["A2", "A3"],
  "A4": ["A5"]
}

# 构建替换列的键值对：目标列 -> 源列数据
replace_mapping = {col: df[k] for k, cols in mapping.items() for col in cols}
# 批量更新DataFrame
df = df.assign(**replace_mapping)

执行后结果：

A1   A2   A3   A4   A5
0    1    1    1    4    4
1   11   11   11   44   44
2  111  111  111  444  444

方法2：简化版批量列赋值 #

利用Pandas的广播机制，直接给多列赋值，无需内层循环，本质也是向量化操作：

for k, cols in mapping.items():
    df[cols] = df[k]

这种写法比原两层循环更简洁，df[k]作为Series赋值给多个列时，Pandas会自动将其广播到对应列的形状，内部用C级别的向量化运算完成，性能远优于Python层面的循环。

方法3：使用loc显式指定列范围 #

如果需要更明确的索引控制，可通过loc批量选择列并赋值：

for k, cols in mapping.items():
    df.loc[:, cols] = df[k].values[:, None]

这里df[k].values[:, None]将一维数组转为二维确保形状匹配，不过Pandas通常会自动处理广播，这一步也可以省略。

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