leetCode 627 变更性别

LeetCode 627 题目

题号：627 标题：变更性别（Swap Salary）难度：简单（数据库题，LeetCode支持Pandas/Python解法）

题目描述

Salary 表：

• id 是这张表主键
• sex 字段是枚举类型，只能是 'm'（男）、'f'（女）
• 表存储员工信息

需求：
交换表里面所有 f 和 m。所有 f 改成 m，所有 m 改成 f。
要求：只用单条更新语句，不能创建临时中间表。

原题是SQL题；LeetCode现在支持Pandas（Python）提交版本，我们重点讲Python Pandas解法。

样例

输入Salary表

输出交换sex后的表

费曼学习法：破解思路讲解（通俗讲，像教小白）

费曼核心：用最简单语言讲清楚，不要术语堆砌，找到卡点，简化模型。

1. 先看懂题目本质

很多人第一眼会以为：

我先把所有m改成f，再把所有f改成m。
❌ 这个思路大坑！
举例子：
原始：m
第一步全部m→f，这一行变成f；
第二步再把f→m，它又变回m，等于白改！

👉 不能分两次批量更新！必须：读取当前这一行sex的值，当场判断并替换成相反值，一次性完成整表更新。

核心逻辑：
对每一行：
如果 sex == ‘m’ → 新值=‘f’
否则 sex == ‘f’ → 新值=‘m’

2. 两种实现思路（Python Pandas）

思路1：apply逐行遍历（好理解，适合新手）

apply，axis=1代表一行一行拿数据。
lambda表达式对每行的sex做if判断，返回反转后的字符，重新赋值给sex整列。
优点：逻辑直观，一眼看懂条件；缺点：大数据量时逐行循环，性能一般。

思路2：map字典映射（推荐，性能更高）

建立映射字典 {'m':'f', 'f':'m'}
直接对sex列做map，一键批量替换。
优点：向量化运算，速度更快，Pandas推荐写法，代码极简。

费曼小结：
这题的考点不是复杂算法，是原地条件替换，避免覆盖污染原始数据。
关键点：读取原始值的瞬间计算新值，不能先覆盖原始字段再二次替换。

3. 应用场景举例

现实中注意：生产环境不要随便直接原地更新，一般先备份！

Python Pandas 完整代码，每行详细注释

LeetCode Pandas函数模板：传入DataFrame，返回修改后的DataFrame

解法1 apply逐行版本（最容易理解）

# 导入pandas库，LeetCode环境自带pandas，不用额外安装
import pandas as pd

def swap_salary(salary: pd.DataFrame) –> pd.DataFrame:
# salary 是输入的DataFrame，对应题目Salary表
# 我们重新赋值sex这一列
# apply(axis=1): 逐行处理，x代表当前这一行
# lambda匿名函数：判断该行sex字段
# 如果x.sex等于'm'返回'f'，否则返回'm'
salary["sex"] = salary.apply(
lambda x: "f" if x["sex"] == "m" else "m",
axis=1
)
# 返回修改完成后的DataFrame
return salary

解法2 map字典映射版本（性能更好，推荐）

# 导入pandas库
import pandas as pd

def swap_salary(salary: pd.DataFrame) –> pd.DataFrame:
# 建立映射字典，key=原值，value=替换后的值
sex_map = {'m': 'f', 'f': 'm'}
# map函数：遍历sex列每个元素，按字典自动替换
# 向量化操作，不是逐行循环，大数据量更快
salary["sex"] = salary["sex"].map(sex_map)
# 返回结果
return salary

本地测试完整可运行代码（可以复制直接跑，验证效果）

import pandas as pd

def swap_salary(salary: pd.DataFrame) –> pd.DataFrame:
sex_map = {'m': 'f', 'f': 'm'}
salary["sex"] = salary["sex"].map(sex_map)
return salary

# ========== 本地构造样例数据，测试 ==========
if __name__ == "__main__":
# 构造样例输入表
data = [
[1, "A", "m", 2500],
[2, "B", "f", 1500],
[3, "C", "m", 5500],
[4, "D", "f", 500]
]
# 创建DataFrame，设置列名
df = pd.DataFrame(data, columns=["id", "name", "sex", "salary"])
print("====原始表====")
print(df)
# 调用函数交换性别
df_result = swap_salary(df)
print("\\n====交换sex之后====")
print(df_result)

运行输出

====原始表====
id name sex salary
0 1 A m 2500
1 2 B f 1500
2 3 C m 5500
3 4 D f 500

====交换sex之后====
id name sex salary
0 1 A f 2500
1 2 B m 1500
2 3 C f 5500
3 4 D m 500

补充：原题SQL解法（供对照理解，原题要求SQL）

— IF版本
UPDATE Salary
SET sex = IF(sex='m','f','m');

— CASE WHEN版本
UPDATE Salary
SET sex = CASE sex
WHEN 'm' THEN 'f'
ELSE 'm'
END;

费曼复盘（自我提问检验你是否学会）

Q：能不能先全部m改成f，再全部f改成m？
A：不行，因为原始m变成f之后，第二轮会把刚改好的f再变回m，等于没变化。

Q：map和apply区别？
A：map是针对单列每个元素，向量化，速度快；apply(axis=1)拿整行数据，循环慢，适合需要多列判断场景。

Q：适用场景局限？
A：只适合二值互换，如果sex存在其他值，map会生成NaN，业务里要提前清洗数据。

如果你想，我可以继续给你出2道同类型二分类字段翻转练习题，巩固这个思路。