如何用Pandas/Python为DataFrame分配标签以避免重复？

假设我有如下DataFrame：

我需要按date和variable分组，依据最高count值选择对应的tag，规则如下：

• 单个variable下有唯一最高count时（比如A1），直接选取对应tag；
• 同一date下多个variable的最高count对应相同tag时，每个tag在同一date下只能归属一个variable，最终结果满足无重复tag分配即可（如下列选项1或选项2均可）。

选项1 #

选项2 #

请问如何用Pandas或Python实现该需求？

你可以通过以下步骤用Pandas实现需求，核心是先筛选候选行，再处理同一日期下的tag冲突：

步骤1：筛选每个(date, variable)组的最高count候选行 #

先找出每个分组中count等于组内最大值的行，这些是待分配的tag候选：

import pandas as pd

# 构造原始数据
df = pd.DataFrame({
    'date': ['1/1', '1/1', '2/1', '2/1', '2/1', '2/1'],
    'variable': ['A1', 'A1', 'B2', 'B2', 'C3', 'C3'],
    'tag': ['xy1', 'xy2', 'xy1', 'yy2', 'xy1', 'yy2'],
    'count': [3, 2, 4, 4, 4, 4]
})

# 标记每个组的最大count
df['max_count'] = df.groupby(['date', 'variable'])['count'].transform('max')
# 筛选候选行
candidates = df[df['count'] == df['max_count']].drop(columns='max_count')

步骤2：处理同一日期下的tag重复问题 #

对每个日期分组，通过排序优先级来分配tag，确保同一日期内tag不重复：

def assign_unique_tags(group):
    # 按variable排序（改排序规则可切换选项1/2）
    # 升序排序会得到选项2，降序则得到选项1
    sorted_group = group.sort_values('variable')
    # 先给每个tag分配第一个遇到的variable
    tag_assigned = sorted_group.drop_duplicates('tag', keep='first')
    # 确保每个variable只保留一个tag
    final = tag_assigned.drop_duplicates('variable', keep='first')
    
    # 处理极端情况：某个variable的所有候选tag都被其他variable抢走的情况
    missing_vars = set(group['variable'].unique()) - set(final['variable'].unique())
    if missing_vars:
        missing_rows = group[group['variable'].isin(missing_vars)].drop_duplicates('variable', keep='first')
        final = pd.concat([final, missing_rows])
    return final

# 按日期分组处理
result = candidates.groupby('date', group_keys=False).apply(assign_unique_tags).reset_index(drop=True)

调整结果的小技巧 #

• 想要选项1的结果，把排序改成group.sort_values('variable', ascending=False)；
• 想要选项2的结果，保持默认升序排序即可；
• 也可以按tag排序，比如group.sort_values('tag')，会得到不同的合法分配结果。

内容的提问来源于stack exchange，提问作者Arijit