Pandas：通过查找索引替换系列的值

Question

我想使用特定索引的查找表替换系列中的一些值。例如：

s1     = Series.(['keep', 'replace', 'replace'}, index=['p1', 'p2', 'p3'])
lookup = {'p2' : 'altered', 'p3' : 'changed'}
# desired series s1:
# p1  keep
# p2  altered
# p3  changed

当然，我可以通过循环遍历 dict 来做到这一点，但我强烈认为 pandas 中有更好的方法。

但是，这只是更复杂任务的一步。对于如何以最易读（和最有效）的 pandas 方式实现以下目标的任何建议，我将不胜感激。

目标是计算一个包含一些聚合信息的列。 例如，给我一个数据框df，如下所示：

  object color
0     o1    gr
1     o2    gr
2     o2    rd
3     o3    rd
4     1o  None
5     2o  None
6     3o  None

对象被某些功能认为是相似的，例如reverse（o1 == 1o 等）。 最终，我想在df 中添加一列colors：

  object color    colors
0     o1    gr      {gr}
1     o2    gr  {rd, gr}
2     o2    rd  {rd, gr}
3     o3    rd      {rd}
4     1o  None      {gr}
5     2o  None  {rd, gr}
6     3o  None      {rd}

colors 为每个对象保存一组颜色。 1o、2o 和 3o 的未知颜色取自它们的兄弟姐妹。

目前，我正在执行以下步骤：

d = OrderedDict([('object', ['o1', 'o2', 'o2', 'o3', '1o', '2o', '3o']),\
                 ('color',  ['gr', 'gr', 'rd', 'rd', None, None, None])])
df = pd.DataFrame(d)

# 1. Group and aggregate the colors.
colors = df.groupby('object')['color'].apply(set)

# 2. Compute a lookup table
colored = df.ix[~pd.isnull(df['color']), 'object'].unique()
unknown = df.ix[pd.isnull(df['color']), 'object'].unique()
lookup  = {obj[::-1] : colors[obj] for obj in colored}

# 3. Set colors of `1o`, ... (Initial Question!)
colors[colors.index.isin(lookup.keys())] = colors.index.to_series().map(lookup)

# 4. Add column `colors` original data frame
df['colors'] = df['object'].map(colors)

Answer 1

使用您最初的（简单）示例，您可以：

In [29]: s1.update(pd.Series(lookup))

In [30]: s1
Out[30]:
p1       keep
p2    altered
p3    changed
dtype: object