Python 用字典中的值替换稀疏数据帧中的值的快速方法

我有一个非常稀疏的数据帧

df

，如下所示：

       Apples Bananas Pineapple Mango
Mary   Apples     NaN       NaN   NaN
Jane      NaN Bananas       NaN   NaN
Diego     NaN     NaN       NaN Mango
Guido     NaN     NaN Pineapple   NaN

我想建立一个字典

d

，比如

d = {'Apples':3, 'Bananas':1, 'Pineapple':2, 'Mango': 15}

取得

       Apples Bananas Pineapple Mango
Mary        3     NaN       NaN   NaN
Jane      NaN       1       NaN   NaN
Diego     NaN     NaN       NaN    15
Guido     NaN     NaN         2   NaN

我能行

df.to_sparse().replace(d)

---

但已经超过30英尺了，还没有产出。我的数据帧有10000行乘以1500列，数据帧最初是135MB，在to_sparse（）之后变成850kB。有没有更快的方法？

按更改的问题编辑-您可以使用

系列
和
多索引
-（
NaN
s值被删除）-然后用于重新整形：

df.replace（d）
？大家好，显然replace（d）不适合我。我将重新讨论这个问题，重点是一个比replace（d）@famargar更有效的替代解决方案-如果它非常稀疏，请使用
df=df.stack（）.map（d）.unstack（）
@cᴏʟᴅsᴘᴇᴇᴅ - 你能重新打开这个吗？或者我可以重新打开吗？@jezrael这是一个骗局，所以回答，如果你愿意，也要有时间安排。
np.random.seed(1235)
N = 1000
d = {'Apples':3, 'Bananas':1, 'Pineapple':2, 'Mango': 15}
df = pd.DataFrame(np.random.choice(list(d.keys()) + [np.nan], 
                  size=(N, N), 
                  p=(0.01,0.02,0.03,0.02,0.92)))
#print (df)

In [227]: %timeit df.replace(d)
1 loop, best of 3: 661 ms per loop

In [228]: %timeit df.stack().map(d).unstack()
1 loop, best of 3: 381 ms per loop