本文介绍两种简洁高效的方法，使用列名列表批量对 pandas dataframe 的子集列（如 col1、col2）应用字典映射，避免重复书写键名或链式调用 replace，兼顾可读性与性能。
在 Pandas 中，当需要仅对部分列（而非整张表）应用字典映射（如将 'PHX' → 'PHO'、'BKN' → 'NJN'）时，直接使用 df.replace(name_dict) 会作用于所有列，而显式写出 {'col1': name_dict, 'col2': name_dict} 又显得冗余。幸运的是，有更优雅的解决方案。
✅ 推荐方法一：dict.fromkeys() 构造映射字典
利用 Python 内置的 dict.fromkeys(keys, value)，可快速生成以多列为键、同一映射字典为值的结构：
name_dict = {'PHX': 'PHO', 'BKN': 'NJN'}
cols_to_map = ['col1', 'col2']
df = df.replace(dict.fromkeys(cols_to_map, name_dict))该写法等价于 {'col1': name_dict, 'col2': name_dict}，但无需重复输入 name_dict，语义清晰且一行完成。
✅ 推荐方法二：按列切片 + 原地替换（推荐用于大表）
先通过列名列表选取子 DataFrame，再对其整体调用 replace()，并赋值回原位置：
cols_to_map = ['col1', 'col2'] df[cols_to_map] = df[cols_to_map].replace(name_dict)
此方式优势明显：
- 明确作用域：仅影响指定列，逻辑隔离性强；
- 内存友好：对大型 DataFrame 更高效，避免全表扫描；
- 支持链式操作：可无缝嵌入 .assign() 或管道中（如 df.assign(**{c: df[c].map(name_dict).fillna(df[c]) for c in cols_to_map})，但 replace 对未匹配项更鲁棒）。
⚠️ 注意事项：
- replace() 默认保留未匹配的原始值（如 'X' 不变），符合预期；若需强制转换缺失值，可配合 fillna()；
- 避免使用 df[col].map(name_dict) 替代 replace() —— map() 会将未匹配项转为 NaN，而 replace() 保持原值，更安全；
- 不要尝试 {['col1','col2']: name_dict}，因列表不可哈希，会触发 TypeError。
综上，dict.fromkeys() 适合简洁表达，而列切片赋值更适合生产环境中的可控性和可维护性。两者均显著优于手动重复键名或链式 replace()。
