如何在Pandas中按组对DataFrame进行行级交错排列？

假设我们有如下示例DataFrame：

import pandas as pd

df = pd.DataFrame({
    'Group': ['A', 'A', 'A', 'B', 'B', 'B'],
    'Score': [10, 20, 30, 15, 25, 35]
})

目标是将其转换为A组第1行→B组第1行→A组第2行→B组第2行→... 的交错排列形式，以下是几种可行的实现思路：

方法1：添加组内序号后排序 #

这是最直观且通用的方法，适用于任意组数（只要每组行数一致）：

# 给每个组内的行分配递增序号
df['row_num'] = df.groupby('Group').cumcount()
# 先按组内序号排序，再按分组排序，实现交错
result = df.sort_values(by=['row_num', 'Group']) \
           .drop('row_num', axis=1) \
           .reset_index(drop=True)

核心逻辑：通过cumcount()标记每组内的行位置，再以这个位置为第一排序键，确保同位置的行被排在一起，最后按分组排序实现交错。

方法2：拆分分组后逐行拼接 #

适合分组数量明确且较少的场景（比如只有2组），逻辑清晰易调试：

# 拆分出各个分组并重置索引，保证行号对齐
group_a = df[df['Group'] == 'A'].reset_index(drop=True)
group_b = df[df['Group'] == 'B'].reset_index(drop=True)

# 逐行配对并添加到结果列表
interleaved_rows = []
for a_row, b_row in zip(group_a.itertuples(index=False), group_b.itertuples(index=False)):
    interleaved_rows.append(a_row)
    interleaved_rows.append(b_row)

# 转换为DataFrame
result = pd.DataFrame(interleaved_rows, columns=df.columns)

如果是多组（比如3组A/B/C），可以嵌套循环或用itertools.product扩展逻辑。

方法3：透视+逆透视重塑数据 #

利用pandas的透视表功能，适合多分组且每组行数一致的场景：

# 添加组内序号
df['row_num'] = df.groupby('Group').cumcount()
# 透视成宽表：每行对应一个组内序号，每列对应一个分组的Score
pivot_df = df.pivot(index='row_num', columns='Group', values='Score').reset_index()
# 逆透视转回长表，同时保留分组信息
melted_df = pivot_df.melt(
    id_vars='row_num',
    value_vars=['A', 'B'],
    var_name='Group',
    value_name='Score'
)
# 排序后清理临时列
result = melted_df.sort_values(by=['row_num', 'Group']) \
                  .drop('row_num', axis=1) \
                  .reset_index(drop=True)

这种方法本质是通过数据结构的转换，让同位置的行自动对齐，再转回长表实现交错。

方法4：利用numpy数组重组（高性能） #

适合处理大型数据集，借助numpy的矢量运算提升效率：

# 先确保数据按分组连续排列
sorted_df = df.sort_values(by=['Group']).reset_index(drop=True)
# 假设每组有n行（这里n=3），分组数为g（这里g=2）
n = sorted_df['Group'].value_counts().iloc[0]
g = sorted_df['Group'].nunique()

# 转换为numpy数组，重组形状后转平
arr = sorted_df.to_numpy() \
               .reshape(g, n, -1) \
               .transpose(1, 0, 2) \
               .ravel() \
               .reshape(-1, sorted_df.shape[1])

# 转回DataFrame
result = pd.DataFrame(arr, columns=df.columns)

核心逻辑：将数据重组为「分组数×每组行数×列数」的三维数组，转置后让同位置的行处于同一维度，最后拉平成二维数组，性能比纯pandas操作快很多。

内容的提问来源于stack exchange，提问作者David Davíd