如何实现Pair without replacement：最大化处理组与唯一对照组匹配

需求说明 #

• 匹配规则：组（group）相同，且对照组分数（score）处于处理组分数的±10%区间内
• 核心约束：每个对照组仅能分配给一个处理组（无放回配对），目标是最大化获得匹配的处理组数量

当前问题 #

已通过merge关联两组数据并筛选出符合分数条件的配对df_matched，但使用df_matched.drop_duplicates(subset='id_control', keep='first')会优先保留单个处理组的所有配对，导致其他处理组无法匹配，无法实现最大化匹配的目标。

示例数据与初始代码 #

import pandas as pd

df_treatment = pd.DataFrame({
    'id': ['a-1', 'a-2', 'a-3', 'b-1', 'b-2'],
    'group': ['A', 'A', 'C', 'C', 'A'],
    'score': [200, 230, 210, 390, 202]})

df_control = pd.DataFrame({
    'id': ['x-1', 'y-9', 'y-8', 'y-1', 'x-2', 'x-3', 'x-1'],
    'group': ['A', 'A', 'A', 'C', 'C', 'C', 'C'],
    'score': [180, 218, 210, 220, 400, 380, 210]})

# 生成同组的所有配对
df_merged = pd.merge(df_treatment, df_control, on='group',
                     suffixes=('_treated', '_control'), how='left')

# 筛选分数符合±10%条件的配对
df_matched = df_merged[
    df_merged['score_control'].between(df_merged['score_treated'] * 0.9, df_merged['score_treated'] * 1.1)
][['id_treated', 'group', 'id_control']]

初始配对结果df_matched #

期望结果（最大化匹配数量） #

现有方法的不理想结果 #

使用df_matched.drop_duplicates(subset='id_control', keep='first')得到的结果，会让a-1占用所有A组可选对照组，导致a-2、b-2无法匹配：

解决方案：优先分配可选配对少的处理组 #

通过贪心算法，优先给可选对照组数量最少的处理组分配资源，避免单个处理组占用过多选项，从而最大化整体匹配数量：

# 统计每个处理组的可选配对数量
treatment_option_counts = df_matched.groupby('id_treated').size().reset_index(name='option_count')

# 按可选数量升序排序配对数据，让可选少的处理组优先选择
df_sorted = df_matched.merge(treatment_option_counts, on='id_treated').sort_values(['option_count', 'id_treated'])

# 遍历分配，标记已使用的对照组
used_controls = set()
matched_pairs = []

for _, row in df_sorted.iterrows():
    control_id = row['id_control']
    if control_id not in used_controls:
        matched_pairs.append(row[['id_treated', 'group', 'id_control']])
        used_controls.add(control_id)

# 转换为最终结果DataFrame
final_matched_df = pd.DataFrame(matched_pairs).reset_index(drop=True)
print(final_matched_df)

方法说明 #

1. 统计可选数量：先计算每个处理组能匹配的对照组总数，判断哪个处理组的可选资源最少
2. 排序优先级：按可选数量升序排序配对数据，确保可选少的处理组先分配，避免资源被抢占
3. 无放回分配：遍历排序后的配对，给每个处理组分配未被使用的对照组，直到所有可用资源耗尽或处理组都完成匹配

运行上述代码后，得到的结果与期望一致，实现了最大化处理组的匹配数量。

内容的提问来源于stack exchange，提问作者alig265