本文介绍如何将包含两列的 dataframe 快速、简洁地转换为以第一列为键、第二列为值的 python 字典，推荐使用 `set_index().to_dict()` 组合方法，避免低效迭代。
在 Pandas 数据处理中，常需将二维表格结构（如两列）映射为键值对字典——例如将 ID 列作为键、标签列作为值，用于快速查找或构建配置映射。直接调用 DataFrame.to_dict() 默认返回列名 → 列数据的嵌套字典，无法满足 colA → colB 的扁平映射需求；而使用 iterrows() 配合字典推导式虽可行，但性能较差（涉及 Python 层循环，且 iterrows() 会构造 Series 对象，开销大）。
推荐方案：df.set_index('a')['b'].to_dict() 或等价写法 df.set_index('a').to_dict()['b']
import pandas as pd
df = pd.DataFrame(data={'a': [1, 3], 'b': [2, 4]})
result = df.set_index('a')['b'].to_dict()
print(result) # {1: 2, 3: 4}✅ 优势说明：
- 高效：全程基于 Pandas 内部向量化操作，无显式 Python 循环；
- 简洁：单行链式调用，语义清晰（“以 a 列设索引，取 b 列，转字典”）；
- 健壮：自动处理重复键（后出现的值覆盖先出现的），若需检测重复可提前用 df['a'].is_unique 校验。
⚠️ 注意事项：
- 若 a 列含重复值，set_index 不报错但会导致键冲突（仅保留最后一次出现的对应 b 值）；
- 若 a 列含 NaN，其对应行将被丢弃（因 set_index 默认 drop=True 且 NaN 不可作为索引键）；
- 如需保留 NaN 键或自定义冲突策略，应改用 dict(zip(df['a'], df['b']))（但注意：zip 在遇到 NaN 时仍会保留，且不校验重复）。
补充技巧：
若需反向映射（b → a），只需交换列名：df.set_index('b')['a'].to_dict()；
若列名未知，可用位置索引：df.set_index(df.columns[0])[df.columns[1]].to_dict()。
总之，set_index + [] + to_dict 是兼顾可读性、性能与 Pandas 惯例的最佳实践。
