Pandas行操作优化：基于[StudentNo,Time]分组添加科目组合行的更优实现方案

嘿，我来给你分享一个更简洁高效的实现思路，不用写几十行循环代码，靠Pandas的原生分组操作就能轻松搞定需求！

核心思路 #

我们可以利用groupby按[StudentNo, Time]分组，然后对每个分组里的Subject列生成两两组合，再把这些组合映射成新的行，最后和原数据合并即可。这种方式是向量化/批量处理，比逐个遍历StudentNo的循环效率高得多，尤其是数据量较大的时候优势更明显。

完整代码实现 #

import pandas as pd
from itertools import combinations

# 原DataFrame
df = pd.DataFrame(
    [[1,'A','10:10'],[1,'B','10:10'],[1,'C','10:10'],[1,'D','10:10'],[1,'E','2:11'],[1,'B','2:11'],[2,'B','12:01'], [2,'C','12:01'],[3,'A','13:22']],
    columns=['StudentNo','Subject','Time']
)

# 定义分组处理函数：生成当前组的科目两两组合行
def generate_combinations(group):
    # 提取当前组的唯一科目列表
    subjects = group['Subject'].unique().tolist()
    # 生成所有两两不重复的组合
    combos = combinations(subjects, 2)
    # 把组合转换成用冒号连接的字符串
    combo_subjects = [':'.join(combo) for combo in combos]
    # 构造新的DataFrame，复用当前组的StudentNo和Time
    return pd.DataFrame({
        'StudentNo': [group['StudentNo'].iloc[0]] * len(combo_subjects),
        'Subject': combo_subjects,
        'Time': [group['Time'].iloc[0]] * len(combo_subjects)
    })

# 对每个[StudentNo, Time]分组应用函数，得到所有组合行
combo_df = df.groupby(['StudentNo', 'Time']).apply(generate_combinations).reset_index(drop=True)

# 合并原数据和组合行，得到最终结果
final_df = pd.concat([df, combo_df], ignore_index=True)

# 可选：按StudentNo和Time排序，让结果更规整
final_df = final_df.sort_values(['StudentNo', 'Time', 'Subject']).reset_index(drop=True)

print(final_df)

代码说明 #

1. 分组处理：groupby(['StudentNo', 'Time'])把数据按学生和时间分成独立的组，每个组对应同一学生同一时间的所有科目。
2. 生成组合：用itertools.combinations生成科目列表的两两不重复组合（比如只生成A:B，不会重复生成B:A），避免冗余数据。
3. 构造新行：每个组合行复用当前组的StudentNo和Time，保证数据对应关系准确。
4. 合并数据：用pd.concat把原数据和新生成的组合行合并，最后排序让结果更清晰易读。

优势对比 #

• 原来的循环方法是Python级别的逐学生处理，当数据量很大时（比如几千个学生），速度会显著变慢；
• 这个方案用Pandas的groupby.apply批量处理，内部基于向量化操作，效率提升非常明显，同时代码更简洁易读，维护成本更低。

内容的提问来源于stack exchange，提问作者kalaiyarasi Uma