在Pandas中复制行并补全ID对应年度数据的方案问询

没问题！这是个很常见的Pandas数据补全需求，本质是要生成ID和目标年份的全量笛卡尔积，再和原数据匹配补全缺失值，我给你分步拆解实现：

1. 先构建ID与年份的完整组合 #

首先提取原数据里的所有唯一ID，再定义需要覆盖的年份列表，用pd.MultiIndex.from_product生成所有可能的ID+Year组合，转成DataFrame：

import pandas as pd
import numpy as np

# 你的原始数据
df = pd.DataFrame({'ID': [1,1,2,2,2,3], 'year': [2017, 2018, 2017, 2018, 2019, 2018], 'count': [1,2,2,3,4,1]})

# 生成全量ID+年份组合
unique_ids = df['ID'].unique()
target_years = [2017, 2018, 2019]
full_df = pd.MultiIndex.from_product([unique_ids, target_years], names=['ID', 'year']).to_frame(index=False)

2. 左连接原数据补全count值 #

用pd.merge做左连接，把原数据中存在的count值匹配到对应的组合上，不存在的会自动填充为np.nan：

df_i_want = pd.merge(full_df, df, on=['ID', 'year'], how='left')

验证输出结果 #

运行后打印df_i_want，就是你期望的格式：

print(df_i_want)
# 输出：
    ID  year  count
0    1  2017    1.0
1    1  2018    2.0
2    1  2019    NaN
3    2  2017    2.0
4    2  2018    3.0
5    2  2019    4.0
6    3  2017    NaN
7    3  2018    1.0
8    3  2019    NaN

简化版（一行代码搞定） #

如果嫌步骤繁琐，也可以把两步合并成一行，逻辑完全一致：

df_i_want = pd.merge(
    pd.MultiIndex.from_product([df['ID'].unique(), [2017,2018,2019]], names=['ID','year']).to_frame(index=False),
    df,
    on=['ID','year'],
    how='left'
)

内容的提问来源于stack exchange，提问作者lucile