Python 如何将数据帧列对转换为单个字典映射？

如何将数据帧值转换为字典

D_ID    Designation  G_Code G

1       Developer       1   M
1       Developer       2   F
1       Developer       1   M
2       Testing         1   M
2       Testing         1   M
2       Testing         2   F

预料之外

d1={1:“开发人员”，2:“测试”}

---

d2={1：“M”，2：“F”}

如果您事先知道哪些列需要配对，您可以创建一个pairs dict并非常整齐地对其进行迭代：

pairs = {'D_ID': 'Designation', 'G_Code': 'G'}
[df.set_index(k)[v].to_dict() for k, v in pairs.items()]
# [{1: 'Developer', 2: 'Testing'}, {1: 'M', 2: 'F'}]

---

如果只有两对，则可以将结果分配给“d1”和“d2”：

---

您可以使用带有参数

orient='split'

的函数

to_dict

将数据帧转换为字典

df[['D_ID', 'Designation']].to_dict('split')

输出：

{'index': [0, 1, 2, 3, 4, 5],
 'columns': ['D_ID', 'Designation'],
 'data': [[1, 'Developer'],
  [1, 'Developer'],
  [1, 'Developer'],
  [2, 'Testing'],
  [2, 'Testing'],
  [2, 'Testing']]}

[{1: 'Developer', 2: 'Testing'}, {1: 'M', 2: 'F'}]

然后，您可以从生成的字典中选择

'data'

，并使用功能

dict

将其转换为另一个字典

dct = {'D_ID': 'Designation', 'G_Code': 'G'}
[dict(df[[k, v]].to_dict('split')['data']) for k, v in dct.items()]

输出：

{'index': [0, 1, 2, 3, 4, 5],
 'columns': ['D_ID', 'Designation'],
 'data': [[1, 'Developer'],
  [1, 'Developer'],
  [1, 'Developer'],
  [2, 'Testing'],
  [2, 'Testing'],
  [2, 'Testing']]}

[{1: 'Developer', 2: 'Testing'}, {1: 'M', 2: 'F'}]

---

作为可接受的答案的替代，您可以考虑使用<代码> GROPPEB/<代码>，<代码>第一< /代码>，最后<代码> TooDigt < /C> > /P>

dct = {'D_ID': 'Designation', 'G_Code': 'G'}
[dict(df[[k, v]].to_dict('split')['data']) for k, v in dct.items()]

d1=df.groupby（“D_ID”）[“Designation”].first（）.to_dict（）
d2=df.groupby（“G_代码”）[“G”].first（）.to_dict（）

或者最终使用@cs95建议的配对

pairs={'D_ID'：'Designation'，'G_code'：'G'}
d1，d2=（df.groupby（k）[v].first（）.to_dict（）表示k，v成对。items（））

时机 @cs95

%%timeit
pairs={'D_ID'：'Designation'，'G_Code'：'G'}
d1，d2=（df.set_index（k）[v].to_dict（）表示k，v成对。items（））
每个回路1.06 ms±23.5µs（7次运行的平均值±标准偏差，每个1000个回路）

子句

%%timeit-n 100
d1=df.groupby（“D_ID”）[“指定”].first（）.to_dict（）
d2=df.groupby（“G_代码”）[“G”].first（）.to_dict（）
每个回路1.29 ms±15.6µs（7次运行的平均值±标准偏差，每个1000个回路）

groupby

+对

%%timeit-n 100
pairs={'D_ID'：'Designation'，'G_Code'：'G'}
d1，d2=（df.groupby（k）[v].first（）.to_dict（）表示k，v成对。items（））
每个回路1.4 ms±24.4µs（7次运行的平均值±标准偏差，每个1000个回路）

结论 在本例中，@cs95 solution显然是赢家。但我想知道哪一个是你的真实案例的时机