如何按时间线出现顺序为唯一对象生成连续编号

问题背景 #

你需要处理一个按时间线B排序后的DataFrame，为A列中首次出现的新对象分配递增的编号，后续重复出现的对象沿用之前的累计编号（即保持当前已出现的唯一对象总数），最终结果存入C列。

给定的排序后DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A':[700,701,701,702,800,800,800,801],'B':[2,3,5,6,8,1,7,4]}).sort_values(by=['B'])

排序后的数据：

A  B
5  800  1
0  700  2
1  701  3
7  801  4
2  701  5
3  702  6
6  800  7
4  800  8

期望得到的结果：

A  B  C
5  800  1  1
0  700  2  2
1  701  3  3
7  801  4  4
2  701  5  4
3  702  6  5
6  800  7  5
4  800  8  5

你之前方法的问题 #

你尝试用shift()比较相邻行的A值，再用cumsum()生成编号，但这种方法只判断了当前行和前一行是否不同，无法识别非连续出现的重复对象（比如示例中第6行的800和第5行的800间隔了多行），会导致错误地将重复对象判定为新对象，打乱编号逻辑。

正确解决方案 #

我们需要先判断每个A是否是在整个DataFrame中首次出现，再对这个标记做累计求和，就能得到符合要求的C列。具体代码如下：

# 标记每个A是否为首次出现
df['is_first'] = ~df['A'].duplicated()

# 对首次出现标记做累计求和，生成C列
df['C'] = df['is_first'].cumsum()

# 可选：删除临时辅助列
df = df.drop('is_first', axis=1)

原理解释 #

• ~df['A'].duplicated()：duplicated()会标记出重复出现的A值（首次出现的为False，后续重复为True），取反~后就得到了首次出现的标记（首次为True，重复为False）。
• cumsum()：布尔值在求和时会被转换为1（True）和0（False），累计求和的结果就是截至当前行已出现的唯一对象总数——遇到新对象时总数加1，重复对象时总数保持不变，完全匹配你的需求。

运行后得到的结果和你期望的完全一致！

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