map()是首选，因它严格按字典键单向映射、类型安全、性能优；replace()易误匹配、类型混淆且全局扫描低效。
直接用 map() 最快最稳，别碰 replace() 做批量数值映射——它会误匹配、不区分类型、还吃性能。
为什么 map() 是首选而不是 replace()
map() 专为 Series 到值的单向映射设计，严格按字典键匹配，只作用于目标列，且自动处理缺失键（转为 NaN）；replace() 默认全局扫描、支持正则和嵌套字典，但对数值型列容易因类型隐式转换出错（比如把整数 1 和浮点 1.0 当作不同键），还会递归遍历整个 DataFrame，浪费资源。
- 当你有一列整数 ID，想映射成名称，字典是
{1: "A", 2: "B"}→ 用map() - 想把多个列用同一字典映射 → 先
map()单列，再用assign()或原地赋值 - 字典里没覆盖的值需要保留原值（而非变
NaN）→ 改用map().fillna(series)
map() 的三种典型用法与坑点
核心就一条：必须作用在 Series 上，不能直接丢给 DataFrame。常见错误是写成 df.map(mapping_dict)，报 AttributeError。
- 单列映射：
df["col"] = df["col"].map(mapping_dict)—— 最常用，安全 - 多列映射（同字典）：
df[["a", "b"]] = df[["a", "b"]].apply(lambda s: s.map(mapping_dict))—— 注意返回仍是 DataFrame，需整体赋值 - 带默认值的映射：
df["col"].map(mapping_dict).fillna(df["col"])—— 避免意外丢数据，尤其字典不全时
⚠️ 坑：如果字典键是字符串（如 {"1": "A"}），但列是 int64，map() 完全不匹配，结果全 NaN。务必检查 type(mapping_dict.keys()) 和 df["col"].dtype 是否一致。
立即学习“Python免费学习笔记（深入）”；
遇到空值或混合类型怎么办？
map() 对 NaN 默认返回 NaN，没问题；但如果列里混了字符串和数字（比如 [1, "2", np.nan]），pandas 会强制转成 object 类型，此时字典键类型必须完全对应——1 和 "1" 是两个键。
- 先统一类型：
df["col"] = pd.to_numeric(df["col"], errors="coerce")强制转数字，异常变NaN - 或者预处理字典：
{str(k): v for k, v in mapping_dict.items()}，再配合df["col"].astype(str).map(...) - 千万别用
replace()处理混合类型列，它可能把数字 1 替换成字符串 "1" 后再试图转回 int，触发ValueError
性能敏感场景：大表 + 频繁映射怎么做？
百万行以上数据反复调用 map() 不慢，但若映射字典极大（10 万+ 键），Python 字典查找本身很快，瓶颈常在 pandas 的索引对齐开销。这时可考虑：
- 用
pd.Categorical预编码：cat = pd.Categorical(df["col"], categories=list(mapping_dict.keys()))，再用cat.rename_categories(mapping_dict)—— 内存省、速度略快 - 真到千万级且字典稳定，导出为 Parquet + 字典文件，用
pyarrow.compute.dictionary_encode()加速 - 避免在循环里反复
map()：把映射逻辑提到循环外，一次性算完再切片
实际中，95% 的批量映射需求，一行 df["x"] = df["x"].map(d) 就够了；卡住的时候，八成是字典键类型和列 dtype 没对上，而不是函数选错了。
