本文介绍使用pandas的apply()结合范围匹配函数，将sic行业代码列（如siccodes）准确、可维护地映射为行业类别名称，避免低效循环和索引错误，提升数据清洗效率与代码健壮性。
本文介绍使用pandas的apply()结合范围匹配函数，将sic行业代码列（如siccodes）准确、可维护地映射为行业类别名称，避免低效循环和索引错误，提升数据清洗效率与代码健壮性。
在数据分析中，常需将数值型行业编码（如美国SIC代码）按区间映射为语义化类别（如“Manufacturing”“Services”）。原始实现中采用硬编码的多层if判断或错误的for循环遍历DataFrame索引（如report['SICCode.SicText_1'][i] = ...），不仅性能低下，更易引发KeyError或SettingWithCopyWarning——因为直接用标量值i作为行索引访问，而i实际是单元格值而非位置索引。
推荐做法是：定义清晰的区间映射规则，封装为纯函数，并通过Series.apply()实现向量化映射。该方式逻辑内聚、易于测试、天然支持缺失值与类型异常处理，且完全兼容Pandas链式操作。
以下是完整、可复用的实现方案：
import pandas as pd
import numpy as np
# 定义SIC代码区间与行业类别的映射关系（元组：起始码, 结束码, 类别名）
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 map_sic_to_sector(code):
"""
将单个SIC代码映射为行业类别。
支持int/float输入；非数字或越界值返回np.nan。
"""
# 类型预检：跳过None、NaN、字符串等非数值类型
if pd.isna(code) or not isinstance(code, (int, float)):
return np.nan
# 转换为整数（兼容浮点型SIC码，如1000.0）
try:
code_int = int(code)
except (ValueError, TypeError):
return np.nan
# 区间匹配：遍历映射表，返回首个匹配的类别
for start, end, sector in mappings:
if start <p><strong>关键优化点说明：</strong> </p>
- ✅ 安全类型处理：显式检查pd.isna()和类型，避免int(None)报错；自动转换浮点数（如12345.0）。
- ✅ 逻辑健壮性：return np.nan置于循环外，确保仅当所有区间均不匹配时才返回空值；移除冗余print语句（调试时可用logging替代）。
- ✅ 性能保障：apply()底层仍为Python循环，但已是最简可行方案；若数据量超百万级，可进一步用numba加速或改用pd.cut()（需先将区间转为有序分类）。
- ⚠️ 注意事项：
- 确保SicCodes列无不可解析字符（如"None Supplied"）——建议前置清洗：report['SicCodes'] = pd.to_numeric(report['SicCodes'], errors='coerce')；
- 映射表mappings应按区间无重叠、无间隙设计（当前存在9990→10000、14990→15000等合理空隙，符合SIC标准）；
- 避免在函数内修改全局变量（如原errors.add(code)），改用日志或返回结构化诊断信息。
此方案将数据映射从易错、难维护的手动逻辑，升级为清晰、可测试、工业级可用的数据转换步骤，是金融、商业分析项目中处理行业编码的标准实践。
