本文介绍两种简洁高效的方法，使用字典对 dataframe 的子集列（而非全部列）进行值映射，避免重复书写列名或链式调用 replace，提升代码可读性与维护性。
在 Pandas 数据处理中，常需将多个列按同一映射规则（如城市缩写标准化）批量替换值。但 DataFrame.replace() 默认作用于全表，若仅需更新部分列（如 col1 和 col2），直接传入 {'col1': name_dict, 'col2': name_dict} 虽可行，却不够灵活；而尝试 df.replace({['col1','col2']: name_dict}) 会因列表不可哈希报错 TypeError: unhashable type: 'list'。
推荐以下两种专业、简洁且可扩展的解决方案：
✅ 方法一：用 dict.fromkeys() 构造列映射字典
利用 Python 内置的 dict.fromkeys(keys, value) 快速生成键值一致的映射字典，一行完成列名到字典的批量绑定：
name_dict = {'PHX': 'PHO', 'BKN': 'NJN'}
cols_to_map = ['col1', 'col2']
df = df.replace(dict.fromkeys(cols_to_map, name_dict))该方法语义清晰：为 cols_to_map 中每个列名分配相同的 name_dict，底层等价于 {'col1': name_dict, 'col2': name_dict}，但无需手动重复，尤其适合列数较多时。
✅ 方法二：切片 + 原地替换（推荐用于大表）
先通过列选择器 df[cols] 提取子 DataFrame，再对其调用 replace()，最后赋值回原位置。此方式更直观、内存友好，且支持 inplace=True（但注意：df[cols].replace(..., inplace=True) 不生效，必须显式赋值）：
cols_to_map = ['col1', 'col2'] df[cols_to_map] = df[cols_to_map].replace(name_dict)
⚠️ 注意：df[cols].replace(..., inplace=True) 不会修改原 DataFrame 的对应列，这是 Pandas 的常见陷阱。务必采用 df[cols] = ... 赋值模式。
? 验证效果
执行任一方法后，输出符合预期：col1 和 col2 中的 'PHX' → 'PHO'、'BKN' → 'NJN'，而 col3 和 'X'（未在字典中）保持不变：
id col1 col2 col3 0 a PHO X PHX 1 b NJN PHO BKN 2 c X NJN PHX 3 d PHO NJN BKN 4 e X X PHX
