如何用Python基于变量观测值为每行生成唯一组合ID？

实现思路 #

对每个变量的唯一观测值分配唯一数字（相同观测值对应同一数字），再将5个变量对应的数字按顺序拼接，得到每行的唯一编码。若两行所有变量值完全相同，编码也会一致。

代码实现（基于Pandas） #

用Pandas的factorize()方法完成变量到数字的映射，该方法会自动给每个唯一值分配递增数字，再通过字符串拼接生成最终ID。

1. 准备示例数据

模拟匹配需求的示例数据集：

import pandas as pd

data = {
    "Var1": ["apple", "banana", "apple", "orange", "banana"],
    "Var2": ["red", "yellow", "red", "orange", "yellow"],
    "Var3": ["small", "large", "small", "medium", "large"],
    "Var4": ["round", "long", "round", "round", "long"],
    "Var5": ["sweet", "sweet", "sweet", "sour", "sweet"]
}
df = pd.DataFrame(data)

2. 为每个变量生成映射数字

对每个变量使用factorize()，并将结果加1（让数字从1开始，而非默认的0）：

# 为每个变量生成编码列
for col in df.columns:
    df[f"{col}_code"] = pd.factorize(df[col])[0] + 1

3. 拼接编码生成唯一ID

将5个编码列的数值转为字符串后拼接，得到最终ID列：

# 拼接编码列生成唯一ID
df["Unique_ID"] = df[[f"{col}_code" for col in df.columns[:5]]].astype(str).agg(''.join, axis=1)

# 可选：删除中间生成的编码列
df = df.drop([f"{col}_code" for col in df.columns[:5]], axis=1)

4. 查看结果

打印处理后的数据集：

print(df)

输出结果符合需求逻辑：

Var1    Var2    Var3   Var4   Var5 Unique_ID
0   apple     red   small  round  sweet      11111
1  banana  yellow   long   long  sweet      22221
2   apple     red   small  round  sweet      11111
3  orange  orange  medium  round   sour      33322
4  banana  yellow   long   long  sweet      22221

可以看到，变量值完全相同的行（第0/2行、第1/4行），对应的Unique_ID也完全一致。

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