Pandas DataFrame：分组、排序并扁平化（无聚合）实现方案

问题背景 #

现有运动员DataFrame，包含AthleteID、TeamID、Name、Score字段，每队最多20名运动员：
原数据：

AthleteID    TeamID     Name     Score
   1            2        Bob      4.9
   2            1        Pete     4.6
   3            2        Steve    4.5
   4            1        Jim      3.6
   5            3        Frank    4.2

需将数据处理为每队一行，按Score降序排序后生成带排名后缀的列，目标格式：

TeamID     AthleteID_1    Name_1   Score_1     AthleteID_2    Name_2   Score_2
       1              2         Pete      4.6          4            Jim      3.6
       2              1         Bob       4.9          3            Steve    4.5  
       3              5         Frank     4.2        None           None     None    

高效实现方案（无需迭代） #

用Pandas的分组、排序、透视组合操作替代迭代逻辑，代码简洁且性能更优：

1. 分组排序并生成组内排名
   先按TeamID分组，每组内按Score降序排序，为每个运动员分配组内排名（从1开始）：

import pandas as pd

# 构造原数据
df = pd.DataFrame({
    'AthleteID': [1,2,3,4,5],
    'TeamID': [2,1,2,1,3],
    'Name': ['Bob','Pete','Steve','Jim','Frank'],
    'Score': [4.9,4.6,4.5,3.6,4.2]
})

# 分组排序后生成组内排名
df_sorted = df.sort_values(['TeamID', 'Score'], ascending=[True, False])
df_sorted['rank'] = df_sorted.groupby('TeamID').cumcount() + 1

2. 透视转宽表
   使用pivot将长表转为宽表，把排名作为列的后缀：

# 透视生成带排名后缀的列
df_wide = df_sorted.pivot(
    index='TeamID',
    columns='rank',
    values=['AthleteID', 'Name', 'Score']
)

# 调整列名格式（如AthleteID_1、Name_1）
df_wide.columns = [f'{col[0]}_{col[1]}' for col in df_wide.columns]

# 重置索引，让TeamID回到列中
df_wide = df_wide.reset_index()

# 填充缺失值为None，限制最多20列（对应每队最多20人）
max_athletes = 20
for i in range(1, max_athletes+1):
    for col in ['AthleteID', 'Name', 'Score']:
        col_name = f'{col}_{i}'
        if col_name not in df_wide.columns:
            df_wide[col_name] = None
df_wide = df_wide.fillna(value=None)

3. 调整列顺序（可选）
   按排名顺序排列列，让布局更贴近目标格式：

# 构造目标列顺序
cols_order = ['TeamID']
for i in range(1, max_athletes+1):
    cols_order.extend([f'AthleteID_{i}', f'Name_{i}', f'Score_{i}'])
# 过滤存在的列（避免超出实际数据的列报错）
cols_order = [col for col in cols_order if col in df_wide.columns]
df_wide = df_wide[cols_order]

运行后得到的df_wide就是符合要求的目标数据，全程利用Pandas向量化操作，效率更高且更符合Python风格。

内容的提问来源于stack exchange，提问作者Irina