Python 用dataframe的行值替换子列表中的第二项

我有一个嵌套列表，希望用dataframe的行值替换每个子列表的第二项。以下是我的数据框架和列表：

import pandas as pd
mydata = [{'id' : '12'},
          {'id' : '34'},
          {'id' : '56'},
          {'id' : '78'},]
df = pd.DataFrame(mydata)

L1 = [ ['elephant',0], ['zebra',1], ['lion',2], ['giraffe',3]  ]

理想的结果是：

[['大象'，12]，'斑马'，34]，'狮子'，56]，'长颈鹿'，78]

这是我的代码：

for i in L1:
    for j, row in df.iterrows():
        i[1] = df["id"][j] 

---

它的输出：

[['elephant'，'78']，['zebra'，'78']，['lion'，'78']，['giraffe'，'78']]

使用列表理解生成第一个元素的列表，然后使用id列生成它们：

In[32]:
list(zip([x[0] for x in L1], df['id'].tolist()))

Out[32]: [('elephant', '12'), ('zebra', '34'), ('lion', '56'), ('giraffe', '78')]

如果您坚持要列表，您可以将上述内容转换为列表：

In[35]:
L2 = list(zip([x[0] for x in L1], df['id'].tolist()))
L2

Out[35]: [('elephant', '12'), ('zebra', '34'), ('lion', '56'), ('giraffe', '78')]

In[36]:
[list(x) for x in L2]

Out[36]: [['elephant', '12'], ['zebra', '34'], ['lion', '56'], ['giraffe', '78']]

一种纯粹的方法是从列表中构造df：

In[41]:
df2 = pd.DataFrame(L1)
df2

Out[41]: 
          0  1
0  elephant  0
1     zebra  1
2      lion  2
3   giraffe  3

然后启用它们：

In[43]:
merged = pd.concat([df,df2], axis=1)
merged

Out[43]: 
   id         0  1
0  12  elephant  0
1  34     zebra  1
2  56      lion  2
3  78   giraffe  3

然后只需再选择感兴趣的列并调用以返回np数组，然后

tolist

：

In[46]:
merged[[0,'id']].values.tolist()

Out[46]: [['elephant', '12'], ['zebra', '34'], ['lion', '56'], ['giraffe', '78']]

---

埃德彻姆的回答当然是正确的，但对发生的事情几乎没有解释。我将解释您现有的代码有什么问题，以及相应的步骤。（我的答案与Ed的答案基本相同，但不同。我没有测试哪一个更有效，但我的答案可能更容易理解。）

为什么每个值都设置为78？您的代码执行以下操作：

for i in L1:
    for j, row in df.iterrows():
        i[1] = df["id"][j] 

这意味着，对于

L1

中的每个

i

，遍历

df

中的每一行，并将

i[1]

设置为该行的

“id”

。这意味着在这种情况下，您为每个

i

设置了4次

i[1]

，在循环结束时，它始终是最后一个值，因此

'78'

。您需要根据

i[1]

的当前值选择性地设置

i[1]

您可以按如下方式修改循环：

for i in L1:
    i[1] = df["id"][i[1]]

这会就地修改每个列表

i

，将其第二个值设置为带有原始

i[1]

编号的

df[“id”]

。这将产生您想要的结果

不过，这不是很像蟒蛇。一般来说，我们尽量避免python中的基本循环。最简洁的使用方法是列表理解，只是没有Ed的那么复杂：

L1 = [[i[0], df["id"][i[1]]] for i in L1]

这与上面的循环相同，只是使用列表理解语法（因此速度会快得多）。对于此功能，使用

zip

是非常好的，但没有必要

---

（注意，我的解决方案根本不使用pandas。）

回答不错，在某些情况下，列表理解会更快，尤其是对于小数据集，如果数据集更大并且已经在df中，那么调用

.values.tolist（）

应该会比我预期的+1快得多