做數(shù)據(jù)處理工作時(shí)讶隐，免不了對(duì)數(shù)據(jù)中的 特殊值 進(jìn)行替換。
傳統(tǒng)方式替換：
循環(huán)行久又、列巫延、目標(biāo)值
斷是否滿足條件
滿足條件進(jìn)行替換，否則繼續(xù)
雖然思路清晰籽孙，實(shí)現(xiàn)起來(lái)也沒(méi)有難點(diǎn)烈评，但實(shí)際工作中往往是列不同、目標(biāo)值不同犯建，替換值也不同讲冠，需要很多的循環(huán)、判斷嵌套适瓦，很容易犯編程中的 循環(huán)判斷嵌套太深竿开、硬編碼問(wèn)題。
這種情況下玻熙，就可以借助強(qiáng)大的 pandas.DataFrame.replace 來(lái)實(shí)現(xiàn)優(yōu)雅處理否彩。
這里我選擇的是 dict-like （字典模式）來(lái)演示，原因如下：
場(chǎng)景全嗦随，
解決循環(huán)判斷嵌套太深問(wèn)題（后面介紹常見(jiàn)場(chǎng)景）調(diào)用方式相對(duì)統(tǒng)一列荔，
簡(jiǎn)單敬尺、優(yōu)雅可以抽象為配置，
解決硬編碼問(wèn)題（存儲(chǔ)在配置文件或配置庫(kù)中）
全局替換
- 目標(biāo)值相同贴浙，替換值相同
MAPPING = {
'old_val': 'new_val'
}
df = df.replace(MAPPING)
- 目標(biāo)值不同砂吞，替換值相同
MAPPING = {
'old_val_1': 'new_val',
'old_val_2': 'new_val'
}
df = df.replace(MAPPING)
- 目標(biāo)值不同，替換值不同
MAPPING = {
'old_val_1': 'new_val_1',
'old_val_2': 'new_val_2'
}
df = df.replace(MAPPING)
部分列替換
- column代表列名崎溃，其它同上
MAPPING = {
'columnA': {
'old_val_1': 'new_val _1'
},
'columnB': {
'old_val_2': 'new_val _2'
}
}
df = df.replace(MAPPING)
正則表達(dá)式
將 MAPPING 中的 target 改為 正則表達(dá)式字符串 或 compiled pattern 蜻直，再將 MAPPING 傳給 選填參數(shù)regex 即可。
MAPPING = {
'match_old_val_regex': 'new_val'
}
df = df.replace(regex=MAPPING)
參考：
