一个简单的解决方案是选择一种方法，该方法取决于对字典键完全覆盖值的估计。
一般情况
- df[‘A’].map(d)如果所有值都已映射，则使用；否则 要么
df[‘A’].map(d).fillna(df[‘A’]).astype(int)如果映射的值大于5％，则使用。
d中的值很少，例如<5％
采用
df['A'].replace(d)
〜5％的“交叉点”特定于以下基准测试。
有趣的是，
map在任何一种情况下，简单的列表理解通常都表现不佳。
标杆管理
import pandas as pd, numpy as npdf = pd.Dataframe({'A': np.random.randint(0, 1000, 1000000)})lst = df['A'].values.tolist()##### TEST 1 - Full Map #####d = {i: i+1 for i in range(1000)}%timeit df['A'].replace(d) # 1.98s%timeit df['A'].map(d) # 84.3ms%timeit [d[i] for i in lst] # 134ms##### TEST 2 - Partial Map #####d = {i: i+1 for i in range(10)}%timeit df['A'].replace(d) # 20.1ms%timeit df['A'].map(d).fillna(df['A']).astype(int) # 111ms%timeit [d.get(i, i) for i in lst] # 243ms说明
之所以
s.replace这么慢，是因为它所做的不仅仅是映射字典。它处理一些极端情况和可能很少见的情况，这些情况通常在任何情况下都应格外小心。
这是
replace()in的摘录
pandasgeneric.py。
items = list(compat.iteritems(to_replace))keys, values = zip(*items)are_mappings = [is_dict_like(v) for v in values]if any(are_mappings): # handling of nested dictionarieselse: to_replace, value = keys, valuesreturn self.replace(to_replace, value, inplace=inplace, limit=limit, regex=regex)
似乎涉及许多步骤：
- 将字典转换为列表。
- 遍历列表并检查嵌套字典。
- 将键和值的迭代器输入到替换函数中。
可以将其与来自map()中的更精简的代码进行比较pandasseries.py：
if isinstance(arg, (dict, Series)): if isinstance(arg, dict): arg = self._constructor(arg, index=arg.keys()) indexer = arg.index.get_indexer(values) new_values = algos.take_1d(arg._values, indexer)
