在Pandas中生成group_ID列：解决DOB缺失时返回NaN的问题

问题分析 #

你当前的代码存在两个核心问题：

• 使用or拼接分组条件是错误逻辑，Python中A or B会返回第一个布尔值为真的对象，而非合并两组分组规则；
• 直接以包含NaN的dob列分组时，Pandas会自动排除含缺失值的行，导致这些行的GID被赋值为NaN，不符合需求。

解决方案 #

核心思路是将dob的缺失值统一替换为固定标识，确保相同姓名前缀+（相同日期/缺失）的行能被分到同一组。具体步骤如下：

1. 用统一字符串填充dob列的缺失值，让缺失值成为可被分组的有效标识；
2. 基于姓名前缀、处理后的出生日期分组，使用ngroup()生成连续分组ID。

示例代码 #

import pandas as pd

# 构建示例数据
data = {
    'Fname': ['PNRM', 'PNRM', 'PNRM', 'SMO', 'SMO'],
    'Lname': ['ATPN', 'ATPN', 'ATPN', 'XTS', 'XTS'],
    'dob': ['14-01-1950', pd.NA, pd.NA, '14-06-2001', pd.NA]
}
df = pd.DataFrame(data)

# 填充dob缺失值为统一标识
df['processed_dob'] = df['dob'].fillna('MISSING')

# 按规则分组生成group_ID（+1让ID从1开始，匹配示例）
df['group_ID'] = df.groupby([
    df['Fname'].str[:2],
    df['Lname'].str[:2],
    df['processed_dob']
]).ngroup() + 1

# 清理临时列
df = df.drop('processed_dob', axis=1)

print(df)

输出结果 #

Fname Lname         dob  group_ID
0  PNRM  ATPN  14-01-1950         1
1  PNRM  ATPN        <NA>         1
2  PNRM  ATPN        <NA>         1
3   SMO   XTS  14-06-2001         2
4   SMO   XTS        <NA>         2

内容的提问来源于stack exchange，提问作者Sonakshi