Valores de remapso na coluna pandas com um ditado

Pode utilizar .substituir. Por exemplo:

>>> df = pd.DataFrame({'col2': {0: 'a', 1: 2, 2: np.nan}, 'col1': {0: 'w', 1: 1, 2: 2}})
>>> di = {1: "A", 2: "B"}
>>> df
  col1 col2
0    w    a
1    1    2
2    2  NaN
>>> df.replace({"col1": di})
  col1 col2
0    w    a
1    A    2
2    B  NaN

ou directamente na Série, ou seja, df["col1"].replace(di, inplace=True).

mapa pode ser muito mais rápido do que substituir

Se o seu dicionário tiver mais do que um par de chaves, utilizar "mapa" pode ser muito mais rápido do que "substituir". Existem duas versões desta abordagem, dependendo se o seu dicionário mapeia exaustivamente todos os valores possíveis (e também se pretende que os valores não correspondentes sejam mantidos ou convertidos para NaNs):

Mapeamento Exaustivo

Neste caso, o formulário é muito simples:

df['col1'].map(di)       # note: if the dictionary does not exhaustively map all
                         # entries then non-matched entries are changed to NaNs

Embora o "mapa" tome mais frequentemente uma função como argumento, pode alternativamente tomar um dicionário ou uma série de dicionários: Documentação para Pandas.series.map

Mapeamento não-Exaustivo

Se tiver um mapeamento não exaustivo e desejar reter as variáveis existentes para não correspondências, pode adicionar fillna:

df['col1'].map(di).fillna(df['col1'])

como em @jpp's resposta aqui: https://stackoverflow.com/questions/49259580/replace-values-in-a-pandas-series-via-dictionary-efficiently

Benchmarks

Utilizando os seguintes dados com pandas versão 0.23.1:

di = {1: "A", 2: "B", 3: "C", 4: "D", 5: "E", 6: "F", 7: "G", 8: "H" }
df = pd.DataFrame({ 'col1': np.random.choice( range(1,9), 100000 ) })

e testes com "%timeit", parece que "mapa" é aproximadamente 10x mais rápido do que "substituir".

Note que a sua velocidade com "mapa" variará com os seus dados. A maior velocidade parece ser com grandes dicionários e substitutos exaustivos. Ver resposta @jpp (ligada acima) para referências e discussão mais extensiva.

Há um pouco de ambiguidade na sua pergunta. Há pelo menos três duas interpretações:

1. As teclas em `di' referem-se a valores de índice
2. As chaves em di' referem-se adf['col1']`valores
3. As chaves em `di' referem-se a localizações índice (não a pergunta do OP's, mas atiradas para dentro por diversão).

Abaixo está uma solução para cada caso.

Caso 1: Se as chaves de di se destinarem a referir-se a valores de índice, então poderá utilizar o método update:

df['col1'].update(pd.Series(di))

Por exemplo,

import pandas as pd
import numpy as np

df = pd.DataFrame({'col1':['w', 10, 20],
                   'col2': ['a', 30, np.nan]},
                  index=[1,2,0])
#   col1 col2
# 1    w    a
# 2   10   30
# 0   20  NaN

di = {0: "A", 2: "B"}

# The value at the 0-index is mapped to 'A', the value at the 2-index is mapped to 'B'
df['col1'].update(pd.Series(di))
print(df)

rendimentos

  col1 col2
1    w    a
2    B   30
0    A  NaN

I'modifiquei os valores do seu post original para que fique mais claro o que a actualização está a fazer. Note como as chaves em di estão associadas aos valores do índice. A ordem dos valores do índice -- ou seja, o índice localizações -- não importa.

Caso 2: Se as chaves em di' se referirem adf['col1']valores, então @DanAllan e @DSM mostram como conseguir isto comreplace`:

import pandas as pd
import numpy as np

df = pd.DataFrame({'col1':['w', 10, 20],
                   'col2': ['a', 30, np.nan]},
                  index=[1,2,0])
print(df)
#   col1 col2
# 1    w    a
# 2   10   30
# 0   20  NaN

di = {10: "A", 20: "B"}

# The values 10 and 20 are replaced by 'A' and 'B'
df['col1'].replace(di, inplace=True)
print(df)

rendimentos

  col1 col2
1    w    a
2    A   30
0    B  NaN

Note como, neste caso, as chaves em di foram alteradas para corresponder a valores em `df['col1']``.

Caso 3: Se as teclas em di se referirem a locais de índice, então poderá utilizar

df['col1'].put(di.keys(), di.values())

desde

df = pd.DataFrame({'col1':['w', 10, 20],
                   'col2': ['a', 30, np.nan]},
                  index=[1,2,0])
di = {0: "A", 2: "B"}

# The values at the 0 and 2 index locations are replaced by 'A' and 'B'
df['col1'].put(di.keys(), di.values())
print(df)

rendimentos

  col1 col2
1    A    a
2   10   30
0    B  NaN

Aqui, a primeira e terceira filas foram alteradas, porque as chaves em di são 0 e 2, que com Python's 0 baseado na indexação se referem à primeira e terceira localizações.