Pandas为DataFrame中无序值对分配从1开始的唯一编号

我有一个包含a和b两列的Pandas DataFrame，需要新增一列no，为无序值对分配从1开始的唯一编号：若值对元素相同（顺序可不同）则编号一致；遇到新值对（至少一个元素未出现过）或唯一值对时，编号递增。

示例效果如下：

我已经写出了可行代码，但想找更简洁高效的实现：

l = []
n = 1
nums = {}
for a, b in zip(df.a, df.b):
    s = str(sorted([a, b]))
    if s in nums.keys():
        l.append(nums[s])
    else:
        nums[s] = n
        l.append(n)
        n += 1
df['no'] = l

更简洁高效的解决方案 #

方法1：apply+factorize（简洁易读） #

通过apply对每行的a、b值排序生成唯一标识，再用factorize快速生成编号：

import pandas as pd

# 对每行的a、b排序后转为元组（元组可哈希，适合作为factorize的输入）
sorted_pairs = df[['a', 'b']].apply(lambda row: tuple(sorted(row)), axis=1)
# factorize返回的第一个元素是从0开始的编码，加1得到从1开始的编号
df['no'] = pd.factorize(sorted_pairs)[0] + 1

方法2：numpy向量化排序（性能最优） #

如果处理的数据集很大，用numpy的向量化排序替代逐行apply，速度会更快：

import pandas as pd
import numpy as np

# 对a、b列组成的二维数组按行排序
sorted_array = np.sort(df[['a', 'b']].values, axis=1)
# 转换为元组数组（保证可哈希）
sorted_pairs = [tuple(row) for row in sorted_array]
# 生成编号
df['no'] = pd.factorize(sorted_pairs)[0] + 1

方案优势 #

• 避免了Python循环的开销，利用Pandas/numpy的向量化操作提升效率，数据量越大优势越明显
• 代码更简洁，逻辑清晰，易于维护

内容的提问来源于stack exchange，提问作者something-original