如何在Pandas DataFrame中为存在重叠字符串列表的行设置相同索引

你的代码主要存在几个问题：

1. 未提前初始化Index列，直接赋值会导致部分行的Index值在引用时还未生成，引发错误；
2. 匹配到关联行时，直接取第一个匹配行的Index，逻辑不严谨——可能存在多个关联行，且应该继承最早出现的组索引；
3. 循环遍历行的方式效率低，且无法处理多步关联的情况（比如行0和行3关联，行3和行1关联，此时行1也应该和行0同组）。

要实现这个需求，本质是找连通分量：把每行看作一个节点，只要两行有共同爱好就连一条边，同一个连通分量里的行使用相同的组索引（比如分量中最小的原索引）。

实现代码 #

import pandas as pd
import networkx as nx

# 创建示例数据
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
       'Hobbies': [['reading', 'hiking', 'painting'], ['swimming', 'biking'], 
        ['cooking', 'dancing'], ['reading', 'swimming'], ['hiking', 'painting']]}
df = pd.DataFrame(data)

# 1. 构建爱好到行索引的映射
hobby_to_indices = {}
for idx, hobbies in df['Hobbies'].items():
    for h in hobbies:
        if h not in hobby_to_indices:
            hobby_to_indices[h] = []
        hobby_to_indices[h].append(idx)

# 2. 构建图：有共同爱好的行之间连边
G = nx.Graph()
G.add_nodes_from(df.index)
for indices in hobby_to_indices.values():
    # 同一爱好对应的所有行两两相连
    for i in range(len(indices)):
        for j in range(i+1, len(indices)):
            G.add_edge(indices[i], indices[j])

# 3. 找到所有连通分量，为每个分量分配最小索引作为组索引
group_indices = {}
for component in nx.connected_components(G):
    min_idx = min(component)
    for idx in component:
        group_indices[idx] = min_idx

# 4. 添加到DataFrame中
df['Index'] = df.index.map(group_indices)

print(df)

代码说明 #

• 先建立爱好和行索引的映射，方便快速找到有相同爱好的行；
• 用图结构把所有有共同爱好的行连接起来，连通分量就是一组需要共享索引的行；
• 每个连通分量取最小的原索引作为组索引，保证逻辑统一；
• 这种方式能处理多步关联的情况，比如示例中Alice（行0）、David（行3）、Bob（行1）会被归为同一组，索引为0；Emily（行4）和Alice（行0）有共同爱好，也归为索引0；Charlie（行2）无关联，索引为2。

运行结果 #

Name                     Hobbies  Index
0    Alice  [reading, hiking, painting]      0
1      Bob          [swimming, biking]      0
2  Charlie          [cooking, dancing]      2
3    David          [reading, swimming]      0
4    Emily          [hiking, painting]      0

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