map可以做一個對映，對於操作大型的dataframe來說就非常方便了，而且也不容易出錯。replace的作用是替換，這個很好理解。

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

# create a dataframe
df1 = DataFrame({'城市':['北京', '上海', '廣州'], '人口':[1000, 2000, 1500]})
print(df1)

# 新增一列
# df1['GDP'] = Series([1000, 3000, 2000])
# print(df1)
'''
     人口  城市   GDP
0  1000  北京  1000
1  2000  上海  3000
2  1500  廣州  2000
'''
 


dfp_map = {'北京':1000, '上海':2000, '廣州':3000}

df1['GDP'] = df1['城市'].map(dfp_map)
print(df1)
'''
     人口  城市   GDP
0  1000  北京  1000
1  2000  上海  2000
2  1500  廣州  3000
總結：
    使用map還是比建立series有優勢的，使用map就可以不關心dataframe的index，
只需要關注對應的城市即可。
    注意下面的實驗
'''

#　再做一個實驗，新增一個index
df2 = DataFrame({'城市':['北京', '上海', '廣州'], '人口':[1000,
 
 2000, 1500]}, index=['A', 'B', 'C'])
print(df2)
'''
     人口  城市
A  1000  北京
B  2000  上海
C  1500  廣州
'''
df2['GDP'] = Series([1000, 2000, 3000])
print(df2)
'''
     人口  城市  GDP
A  1000  北京  NaN
B  2000  上海  NaN
C  1500  廣州  NaN

可以看到答案是nan,這是為什麼呢？因為　Series([1000, 2000, 3000])的索引預設是０，１，……
所以就出現了問題。
解決方法是：必須要給series新增指定的索引。
'''

# replace in series
 

s1 = Series(np.arange(10))
print(s1)
'''
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int64
'''

print(s1.replace(1, np.nan)) # 會返回一個新的series,也可以使用字典的方式{1: np.nan}
'''
0    0.0
1    NaN
2    2.0
3    3.0
4    4.0
5    5.0
6    6.0
7    7.0
8    8.0
9    9.0
dtype: float64
'''

# 還可以採用列表的方式，把多個元素個replace掉
print(s1.replace([1, 2, 3], [10, 20, 30]))
'''
0     0
1    10
2    20
3    30
4     4
5     5
6     6
7     7
8     8
9     9
dtype: int64
'''