如何用Pandas为DataFrame重复模式分配唯一列名并实现指定聚类分组？

我来帮你搞定这个聚类分组的需求～先明确你的核心目标：

• 当两条记录的Vendor和Text完全一致，且它们的日期差（Days）≤2天时，归为同一聚类；
• 单条孤立的记录（没有符合条件的相邻记录）标记为No Cluster；
• 重复出现的相同模式（比如不同时间段的同Vendor+Text连续记录）要分配唯一的聚类名称。

原代码的问题分析 #

你的代码里有几个小问题导致输出不符合预期：

• 变量名不匹配：用了Date_Difference但实际定义的是Days；
• 聚类逻辑没区分“单条记录”和“多记录组”，导致单条记录也被分配了聚类；
• 全局聚类编号的生成逻辑没保证重复模式的唯一性。

修正后的完整代码 #

下面是调整后的代码，我会逐段解释逻辑：

import pandas as pd

# ---------------------- 1. 数据预处理（和你的逻辑对齐，修正细节） ----------------------
# 替换成你的实际测试数据
data = pd.DataFrame({
    'Date': ['2023-01-01', '2023-01-02', '2023-01-05', '2023-01-06', '2023-01-10', '2023-01-11'],
    'Vendor': ['A', 'A', 'A', 'B', 'B', 'B'],
    'Text': ['Order', 'Order', 'Order', 'Return', 'Return', 'Return']
})

# 日期格式转换
data['Date'] = pd.to_datetime(data['Date'], infer_datetime_format=True)
# 计算当前行与上一行的日期差（天），首行填充0
data['Days'] = data['Date'].diff().dt.days.fillna(0)
# 填充空值，避免分组时出错
data['Text'] = data['Text'].fillna('No Value')
data['Vendor'] = data['Vendor'].fillna('No Value')

# ---------------------- 2. 核心聚类逻辑 ----------------------
# 标记新聚类的起点：当Vendor/Text变化，或者日期差>2时，视为新组
data['is_new_group'] = (
    (data['Vendor'] != data['Vendor'].shift()) |
    (data['Text'] != data['Text'].shift()) |
    (data['Days'] > 2)
).astype(int)

# 在每个(Vendor, Text)组内，累计生成组内编号（同一聚类的记录编号相同）
data['group_id'] = data.groupby(['Vendor', 'Text'])['is_new_group'].cumsum()

# 为每个唯一的(Vendor, Text, group_id)分配全局聚类名，单条记录标记为No Cluster
cluster_map = data.groupby(['Vendor', 'Text', 'group_id']).size().reset_index(name='record_count')
cluster_map['Cluster'] = cluster_map.apply(
    lambda row: f"Cluster{row.name + 1}" if row['record_count'] > 1 else 'No Cluster',
    axis=1
)

# 将聚类结果合并回原数据
data = data.merge(
    cluster_map[['Vendor', 'Text', 'group_id', 'Cluster']],
    on=['Vendor', 'Text', 'group_id'],
    how='left'
)

# 可选：清理中间临时列
data = data.drop(['is_new_group', 'group_id'], axis=1)

# 查看结果
print(data)

代码逻辑解释 #

1. 预处理部分：和你的原有逻辑一致，主要是确保日期格式正确、空值被填充，避免分组时出现异常。
2. 标记新聚类起点：is_new_group列用布尔值判断每一行是否是新聚类的开始——只要和上一行的Vendor/Text不同，或者日期差超过2天，就标记为1。
3. 生成组内编号：在每个(Vendor, Text)分组内，对is_new_group做累计求和，这样同一聚类的连续记录会得到相同的group_id。
4. 分配聚类名称：统计每个(Vendor, Text, group_id)组的记录数，只有记录数>1的组才生成聚类名称（比如Cluster1、Cluster2），单条记录直接标记为No Cluster。
5. 合并结果：把聚类信息合并回原数据集，保证每一行都有对应的聚类标记。

测试输出示例 #

用上面的测试数据，输出结果如下：

这个结果完全符合你的需求：

• 连续的同Vendor+Text且日期差≤2的记录被归为同一聚类；
• 单条孤立记录（比如2023-01-05的A-Order）正确标记为No Cluster；
• 不同的聚类模式获得了唯一的聚类名称。

内容的提问来源于stack exchange，提问作者aeapen