In [9]: pd.Series(df.Letter.values,index=df.Position).to_dict()
Out[9]: {1: 'a', 2: 'b', 3: 'c', 4: 'd', 5: 'e'}

速度比较(使用Wouter方法)

In [6]: df = pd.DataFrame(randint(0,10,10000).reshape(5000,2),columns=list('AB'))


In [7]: %timeit dict(zip(df.A,df.B))
1000 loops, best of 3: 1.27 ms per loop


In [8]: %timeit pd.Series(df.A.values,index=df.B).to_dict()
1000 loops, best of 3: 987 us per loop

5万行证明:

df = pd.DataFrame(np.random.randint(32, 120, 100000).reshape(50000,2),columns=list('AB'))
df['A'] = df['A'].apply(chr)


%timeit dict(zip(df.A,df.B))
%timeit pd.Series(df.A.values,index=df.B).to_dict()
%timeit df.set_index('A').to_dict()['B']

输出:

100 loops, best of 3: 7.04 ms per loop  # WouterOvermeire
100 loops, best of 3: 9.83 ms per loop  # Jeff
100 loops, best of 3: 4.28 ms per loop  # Kikohs (me)

在Python 3.6中，最快的方法仍然是WouterOvermeire。Kikohs的提议比其他两个方案要慢。

import timeit


setup = '''
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(32, 120, 100000).reshape(50000,2),columns=list('AB'))
df['A'] = df['A'].apply(chr)
'''


timeit.Timer('dict(zip(df.A,df.B))', setup=setup).repeat(7,500)
timeit.Timer('pd.Series(df.A.values,index=df.B).to_dict()', setup=setup).repeat(7,500)
timeit.Timer('df.set_index("A").to_dict()["B"]', setup=setup).repeat(7,500)

结果:

1.1214002349999777 s  # WouterOvermeire
1.1922008498571748 s  # Jeff
1.7034366211428602 s  # Kikohs

博士TL;

>>> import pandas as pd
>>> df = pd.DataFrame({'Position':[1,2,3,4,5], 'Letter':['a', 'b', 'c', 'd', 'e']})
>>> dict(sorted(df.values.tolist())) # Sort of sorted...
{'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
>>> from collections import OrderedDict
>>> OrderedDict(df.values.tolist())
OrderedDict([('a', 1), ('b', 2), ('c', 3), ('d', 4), ('e', 5)])

在长

解释方法:dict(sorted(df.values.tolist()))

考虑到:

df = pd.DataFrame({'Position':[1,2,3,4,5], 'Letter':['a', 'b', 'c', 'd', 'e']})

[出]:

 Letter Position
0   a   1
1   b   2
2   c   3
3   d   4
4   e   5

试一试:

# Get the values out to a 2-D numpy array,
df.values

[出]:

array([['a', 1],
['b', 2],
['c', 3],
['d', 4],
['e', 5]], dtype=object)

然后选择:

# Dump it into a list so that you can sort it using `sorted()`
sorted(df.values.tolist()) # Sort by key

或者:

# Sort by value:
from operator import itemgetter
sorted(df.values.tolist(), key=itemgetter(1))

[出]:

[['a', 1], ['b', 2], ['c', 3], ['d', 4], ['e', 5]]

最后，将2个元素的list转换为字典。

dict(sorted(df.values.tolist()))

[出]:

{'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}

相关的

回复@sbradbio的评论:

如果一个特定的键有多个值，你想保留所有的值，这不是最有效但最直观的方法是:

from collections import defaultdict
import pandas as pd


multivalue_dict = defaultdict(list)


df = pd.DataFrame({'Position':[1,2,4,4,4], 'Letter':['a', 'b', 'd', 'e', 'f']})


for idx,row in df.iterrows():
multivalue_dict[row['Position']].append(row['Letter'])

[出]:

>>> print(multivalue_dict)
defaultdict(list, {1: ['a'], 2: ['b'], 4: ['d', 'e', 'f']})

下面是用以下df测试的另外两种方法。

df = pd.DataFrame(np.random.randint(0,10,10000).reshape(5000,2),columns=list('AB'))

使用to_records()

dict(df.to_records(index=False))

使用MultiIndex.from_frame()

dict(pd.MultiIndex.from_frame(df))

每个时间。

24.6 ms ± 847 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
1.86 ms ± 11.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

dict (zip(data['position'], data['letter']))

这将给你:

{1: 'a', 2: 'b', 3: 'c', 4: 'd', 5: 'e'}

我喜欢Wouter方法，但是具有重复值的行为可能不是预期的，不幸的是，OP没有以一种方式或其他方式讨论这种情况。Wouter，将始终为遇到的每个键选择最后一个值。换句话说，它会一直覆盖每个键的值。

在我的脑海中，预期的行为更像是使用dataframe中的两列创建字典，其中一列中有重复项，其中每个键都保存了一个列表。

因此，对于保持副本的情况，让我提交df.groupby('Position')['Letter'].apply(list).to_dict()(或者甚至可能是一个集合而不是一个列表)