编写ID标签标准化函数遇异常：多数标签未被正确应用

我编写了一个函数，旨在按指定ID分组，用每组最常用的标签标准化标签列；若没有多数标签（即排名前两位的标签计数相同），则取该组首个观测值作为默认标准。函数大部分场景运行正常，但遇到某ID的标签存在趋势变化时出现异常：例如ID=222的数据中，"LA Metro"出现3次，是绝对多数标签，但部分行的标准化标签却显示为"Los Angeles Metro"，期望所有行的标准化标签统一为"LA Metro"。

原函数代码：

def standardize_labels(df, id_col, label_col):
    # Function to find the most common label or the first one if there's a tie
    def most_common_label(group):
        labels = group[label_col].value_counts()
        # Check if the top two labels have the same count
        if len(labels) > 1 and labels.iloc[0] == labels.iloc[1]:
            return group[label_col].iloc[0]
        return labels.idxmax()

    # Group by the ID column and apply the most_common_label function
    common_labels = df.groupby(id_col).apply(most_common_label)

    # Map the IDs in the original DataFrame to their common labels
    df['standardized_label'] = df[id_col].map(common_labels)

    return df

异常示例数据：

问题原因分析 #

原函数使用groupby(id_col).apply(most_common_label)对整个分组DataFrame处理，虽逻辑正确，但在部分场景下（如分组数据结构差异）可能导致聚合结果异常；另外value_counts()未显式指定排序规则，存在版本差异导致的排序不确定性，进而影响idxmax()的返回值。

修复后的函数 #

方案一：优化聚合逻辑，直接处理标签列

import pandas as pd

def standardize_labels(df, id_col, label_col):
    def get_standard_label(group):
        # 强制按计数降序排列标签
        label_counts = group.value_counts(ascending=False)
        # 检查是否存在平局
        if len(label_counts) > 1 and label_counts.iloc[0] == label_counts.iloc[1]:
            return group.iloc[0]
        # 返回计数最高的标签
        return label_counts.idxmax()
    
    # 按ID分组聚合得到标准标签映射
    standard_label_map = df.groupby(id_col)[label_col].agg(get_standard_label)
    # 映射生成标准化列
    df['standardized_label'] = df[id_col].map(standard_label_map)
    return df

方案二：利用mode()函数简化实现

import pandas as pd

def standardize_labels(df, id_col, label_col):
    def get_standard_label(group):
        # 获取出现次数最多的标签（可能多个）
        mode_labels = group.mode()
        if len(mode_labels) > 1:
            # 平局时返回组内首个标签
            return group.iloc[0]
        # 非平局时返回唯一众数
        return mode_labels.iloc[0]
    
    standard_label_map = df.groupby(id_col)[label_col].agg(get_standard_label)
    df['standardized_label'] = df[id_col].map(standard_label_map)
    return df

验证效果 #

对于ID=222的分组，两种方案都会计算出"LA Metro"为计数最高的标签，映射后所有行的standardized_label将统一为"LA Metro"，符合预期。

内容的提问来源于stack exchange，提问作者JLuu