Pandas修改特定值的实用方法：map、apply与条件赋值指南

实现思路与准备

所有修改操作均作用于已加载的DataFrame对象。为避免索引错位或作用域冲突，建议在修改前明确目标列名称、映射规则及原始数据结构。基础测试数据可通过以下代码快速构建：

import pandas as pd

# 构建包含姓名、工龄、奖金的基础数据表
df = pd.DataFrame({
    "姓名": ["大宝", "二狗", "三炮", "四眼", "五福"],
    "工龄": [3, 5, 2, 1, None],
    "奖金": [200, 300, 100, 100, None]
})
print(df)

第一步：使用map进行单列映射

目的：针对单一列的每个元素执行一对一替换或函数计算。
入口与动作：直接调用Series对象的.map()方法，传入字典映射关系或可调用的函数。
重要参数：map(mapping)接受字典或函数；传递函数时必须使用函数名（如func），不可加括号。

# 字典映射：将旧姓名单词替换为新名
cname_map = {
    "大宝": "张三", "二狗": "李四", "三炮": "王五",
    "四眼": "赵六", "五福": "宋七"
}
df["姓名"] = df["姓名"].map(cname_map)

# 函数映射：工龄数值统一+1
def inc_years(x):
    return x + 1
df["工龄"] = df["工龄"].map(inc_years)

关键注意：使用字典映射时，若Series中存在未定义在字典键中的唯一值，Pandas会将其转换为NaN而非沿用末尾默认值。需提前确认键值覆盖率，或使用.fillna()兜底。

第二步：使用apply处理多列或复杂逻辑

目的：当映射关系依赖多列交叉计算，或需要传入额外固定参数时，需切换至DataFrame或Series的.apply()方法。
入口与动作：指定axis=1沿行方向触发，配合元组传参或Lambda表达式组合多列。
重要参数：args接收额外位置参数（元组形式）；axis控制遍历维度。

def calc_bonus(base, ratio):
    return base + base * ratio

# 给某列追加额外参数计算次月奖金
df["次月奖金"] = df["奖金"].apply(calc_bonus, args=(0.1,))

# Lambda结合多列作为自变量计算年终奖
def yearly_foo(gongling, jiangjin):
    if gongling >= 3:
        return jiangjin * 2
    else:
        return jiangjin * 1.5
df["年终奖"] = df.apply(
    lambda row: yearly_foo(row["工龄"], row["奖金"]), axis=1
)

# 横向对比：对新增列按行求总和展示
df[["奖金", "次月奖金", "年终奖"]].apply(sum, axis=0)

完成判断：新列已成功写入DataFrame，且多列联动公式按预期返回标量结果。

第三步：基于特定条件替换列值

目的：跳过全表遍历，仅命中满足布尔条件的行进行原地覆盖。
入口与动作：使用df.loc[条件判断, "目标列"] = 新值语法进行切片赋值。
重要参数：条件表达式需返回与原行数对齐的布尔Series；目标列需预先存在。

# 为工龄不足2年的员工设定专项年终奖
df.loc[df["工龄"] < 2, "年终奖"] = 500

# 若表结构经过筛选导致索引断裂，建议先重建连续索引再操作
df = df.reset_index(drop=True)

注意：该操作属于向量化赋值，性能优于迭代循环。确保赋值前的目标列已初始化，否则会抛出KeyError。

第四步：按规则填充空值

目的：将列内的NaN或缺失项替换为静态常量或动态计算值。
入口与动作：调用DataFrame的.fillna()方法，支持字典格式按列分发策略。
重要参数：value可传入字典映射{列名: 填充值}；inplace=True直接修改原表内存。

# 工龄空缺补1，奖金空缺按对应工龄×100回填
df.fillna({
    "工龄": 1,
    "奖金": df["工龄"] * 100
}, inplace=True)
print(df)

验证完成状态

执行上述任意流程后，可通过df.head()预览头部数据核对字段变更；使用df.isnull().sum()检查是否仍存在预期外的缺失项；若需还原原始数据流，建议在操作前调用df.copy()保存快照。

简要总结

Pandas修改特定值的核心在于选对工具链：单列字典/函数映射优先用map保证执行效率；多列交互或附加参数场景交给apply搭配Lambda灵活控盘；条件覆盖依赖loc实现精准定位；缺失修复则交由fillna统一调度。掌握这四类操作的参数边界与返回值特征，即可应对绝大多数表格重构需求。以上就是Pandas修改特定值的详细内容，更多关于Pandas数据清洗与字段转换的资料请关注本站其它相关文章！