本文介绍如何使用Pandas的apply()方法结合区间映射函数，安全、高效地将SIC行业代码列（如SicCodes）批量转换为语义化行业类别，避免手动for循环索引错误与标量逻辑陷阱。
本文介绍如何使用pandas的`apply()`方法结合区间映射函数，安全、高效地将sic行业代码列（如`siccodes`）批量转换为语义化行业类别，避免手动for循环索引错误与标量逻辑陷阱。
在数据分析中，常需将原始编码（如美国标准产业分类码SIC）映射为可读性强的行业名称。用户最初尝试用嵌套if语句或for循环逐行处理DataFrame列，但遭遇了典型问题：report['SicCodes'].apply(...)未被正确调用，反而误写为for i in report['SicCodes']: report['SICCode.SicText_1'][i] = ...——这不仅因i是值而非索引导致KeyError，更违背了Pandas向量化设计哲学，性能差且易出错。
推荐方案：Series.apply() + 健壮映射函数
核心思路是定义一个接收单个值、返回对应类别的纯函数，并通过.apply()广播至整列。该方法天然支持缺失值、类型异常和范围外值的统一处理：
import pandas as pd
import numpy as np
# 定义SIC代码区间与行业映射关系（注意：区间为闭区间 [from, to]）
mappings = [
(1000, 9990, 'Agriculture'),
(10000, 14990, 'Mining'),
(15000, 17990, 'Construction'),
(18000, 19990, 'not used'),
(20000, 39990, 'Manufacturing'),
(40000, 49990, 'Utility Services'),
(50000, 51990, 'Wholesale Trade'),
(52000, 59990, 'Retail Trade'),
(60000, 69200, 'Financials'),
(70000, 90040, 'Services'),
(91000, 97290, 'Public Administration'),
(98000, 99990, 'Nonclassifiable'),
]
def to_code_range(value):
"""将单个SIC代码映射为行业名称；处理非整数、越界等异常情况"""
# 类型预检：非整数直接返回NaN（不中断流程）
if not isinstance(value, (int, np.integer)):
if pd.isna(value) or str(value).strip() in ['', 'None Supplied', 'nan']:
return np.nan
try:
value = int(float(value)) # 尝试强转（兼容字符串数字如'1000'）
except (ValueError, TypeError):
return np.nan
# 区间匹配：遍历所有规则，命中即返，未命中返回NaN
for code_from, code_to, name in mappings:
if code_from <= value <= code_to:
return name
return np.nan # 超出所有定义区间的代码
# 应用映射（向量化操作，安全高效）
report['SICCode.SicText_1'] = report['SicCodes'].apply(to_code_range)✅ 关键优势说明：
- 安全性高：函数内含类型容错与空值检查，避免int(None)等崩溃；
- 逻辑清晰：区间判断使用 code_from <= value <= code_to，语义明确无歧义；
- 性能优异：.apply()虽非底层向量化，但远优于Python原生for+loc赋值（后者触发多次索引查找）；
- 可扩展性强：新增行业类别只需在mappings中追加元组，无需修改主逻辑。
⚠️ 注意事项：
- 若数据量极大（>100万行），可进一步升级为pd.cut()（需先将区间转为pd.IntervalIndex）以获得真正向量化加速；
- 确保SicCodes列中无无法解析的异常字符串（如'ABC'），否则to_code_range会静默返回np.nan——建议配合report['SicCodes'].apply(type).value_counts()做前期探查；
- 映射表中的区间必须互斥且覆盖完整业务场景，当前示例中19991–19999、90041–90999等缺口将返回NaN，应根据实际SIC规范校验补全。
通过这一模式，你不仅能正确生成SICCode.SicText_1列，更建立起可复用、易维护、抗干扰的数据清洗范式——让代码真正服务于分析，而非成为障碍。
