本文介绍两种简洁高效的方法，使用列名列表批量对 pandas dataframe 的子集列应用字典映射（如缩写替换），避免重复书写列名或多次调用 `replace()`。
在数据清洗与标准化过程中，常需将多列中特定字符串按统一规则映射为新值（例如将城市代码 'PHX' → 'PHO'、'BKN' → 'NJN'），但又不希望影响其他列。Pandas 的 DataFrame.replace() 方法虽强大，但默认作用于全表；若仅针对部分列，传统写法易冗余：
# ❌ 冗长且不可扩展
df = df.replace({'col1': name_dict}).replace({'col2': name_dict})
# ❌ 仍需显式列出每列
df = df.replace({'col1': name_dict, 'col2': name_dict})✅ 推荐方案一：用 dict.fromkeys() 构造映射字典
该方法利用 Python 内置函数 dict.fromkeys(keys, value) 快速生成键值对一致的字典，语法简洁、语义清晰：
name_dict = {'PHX': 'PHO', 'BKN': 'NJN'}
cols_to_map = ['col1', 'col2']
df = df.replace(dict.fromkeys(cols_to_map, name_dict))此行等价于 df.replace({'col1': name_dict, 'col2': name_dict})，但无需重复键名，便于维护和扩展。
✅ 推荐方案二：切片 + 原地替换（更直观、内存友好）
直接选取目标列子集，对其调用 replace()，并赋值回原 DataFrame。适用于需明确控制作用范围或处理大型数据集的场景：
cols_to_map = ['col1', 'col2'] df[cols_to_map] = df[cols_to_map].replace(name_dict)
⚠️ 注意：此方式不会修改未选中的列（如 col3 保持原样），且支持链式操作与 inplace=False 默认行为，安全可控。
完整可运行示例：
import pandas as pd
data = {
'id': ['a', 'b', 'c', 'd', 'e'],
'col1': ['PHX', 'BKN', 'X', 'PHX', 'X'],
'col2': ['X', 'PHX', 'BKN', 'BKN', 'X'],
'col3': ['PHX', 'BKN', 'PHX', 'BKN', 'PHX']
}
df = pd.DataFrame(data)
name_dict = {'PHX': 'PHO', 'BKN': 'NJN'}
# 任选其一即可
df = df.replace(dict.fromkeys(['col1', 'col2'], name_dict))
# 或
# df[['col1', 'col2']] = df[['col1', 'col2']].replace(name_dict)
print(df)输出符合预期：
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
总结：
- dict.fromkeys(cols, mapping_dict) 是语法最简的“声明式”方案，适合配置化或动态列名场景；
- df[cols] = df[cols].replace(...) 是逻辑最直白的“操作式”方案，利于调试与性能优化；
- 避免使用 df.replace({['col1','col2']: ...}) —— 列表不可哈希，会触发 TypeError；
- 两种方法均不改变原始字典结构，也不影响未指定列，兼顾安全性与可读性。
