本文介绍一种高效、向量化的方法，将 dataframe 中某列的值依据其所属的预定义列表组（如 tier1、tier2），映射为对应的层级编号（如 1、2），并生成新分类列，避免显式循环，适用于数百行数据与十余个分组场景。
本文介绍一种高效、向量化的方法，将 dataframe 中某列的值依据其所属的预定义列表组（如 tier1、tier2），映射为对应的层级编号（如 1、2），并生成新分类列，避免显式循环，适用于数百行数据与十余个分组场景。
在 Pandas 数据处理中，常需根据成员归属关系为记录打上分类标签（例如按人员名单划分“Tier 1”“Tier 2”）。若直接使用 iterrows() 遍历 + 嵌套 in 判断，不仅代码冗长，且对 300+ 行、11 个列表的规模而言性能低下。更优解是构建反向映射字典（name → tier_id），再通过 .map() 实现 O(1) 查找，完全向量化、简洁且高效。
核心思路是：将多个列表（如 tier1, tier2）扁平化为一个字典，键为每个姓名，值为其所属层级编号。推荐使用字典推导式一次性完成构建：
import pandas as pd
# 示例数据
d = {'name': ['Tom', 'Patrick', 'Lamar'], 'rating': [100, 97, 95]}
df = pd.DataFrame(d)
# 定义层级列表（实际中可有 tier1 ~ tier11）
tier1 = ['Tom', 'Patrick']
tier2 = ['Lamar']
# ✅ 构建 name → tier_id 映射字典（关键步骤）
tier_dict = {
name: tier_id
for tier_id, tier_list in enumerate([tier1, tier2], start=1)
for name in tier_list
}
# 结果：{'Tom': 1, 'Patrick': 1, 'Lamar': 2}
# ✅ 向量化赋值：利用 map 自动对齐并填充 NaN（若 name 不在任何 tier 中）
df['tier'] = df['name'].map(tier_dict)
执行后，df 即包含正确分级的 'tier' 列：
name rating tier 0 Tom 100 1 1 Patrick 97 1 2 Lamar 95 2
⚠️ 注意事项：
- 若某 name 不属于任何 tier 列表，.map() 默认返回 NaN，可后续用 fillna() 处理（如 df['tier'] = df['name'].map(tier_dict).fillna(0)）；
- 确保各 tier 列表无重复姓名，否则后出现的映射会覆盖前者（因字典键唯一）；
- 如需动态扩展（如 11 个 tier），只需将 [tier1, tier2] 替换为 [tier1, tier2, ..., tier11] 或 globals() 动态获取（但更推荐预先组织为列表或配置字典）；
- 此方法时间复杂度为 O(N)，远优于双重循环的 O(N×M)，尤其适合中等规模数据。
总结：用字典推导式构建反向索引 + .map() 向量化映射，是解决“列表归属→标签赋值”类问题的 Pythonic 标准方案——简洁、高效、可读性强，且天然兼容 Pandas 生态。
