Pandas分组处理：若col_1字符串存在于组内col_2，补全col_2内容

问题描述 #

我们需要对DataFrame按ID字段分组后，实现以下逻辑：

• 针对每组内的每一行，若该行col_1的字符串存在于组内任意一行的col_2中（col_2为逗号分隔的字符串）
• 则将包含该col_1字符串的最长/对应完整col_2内容替换当前行的col_2

示例输入数据 #

import pandas as pd

dict_data = {
    'ID': {0: 1, 1: 1, 2: 1, 3: 1, 4: 2, 5: 2, 6: 2, 7: 2},
    'col_1': {0: 'A', 1: 'B', 2: 'C', 3: 'D', 4: 'A', 5: 'B', 6: 'C', 7: 'D'},
    'col_2': {0: 'A,B,C', 1: 'A,B', 2: 'C', 3: 'D', 4: 'A,D', 5: 'B', 6: 'C', 7: 'D'}
}

df = pd.DataFrame.from_dict(dict_data)

当前输出 #

ID col_1  col_2
0   1     A  A,B,C
1   1     B    A,B
2   1     C      C
3   1     D      D
4   2     A    A,D
5   2     B      B
6   2     C      C
7   2     D      D

期望输出 #

ID col_1  col_2
0   1     A  A,B,C
1   1     B  A,B,C
2   1     C  A,B,C
3   1     D      D
4   2     A    A,D
5   2     B      B
6   2     C      C
7   2     D    A,D

解决方案 #

通过分组后自定义函数实现，核心思路是先为每组建立col_1元素到对应最长col_2的映射，再批量替换：

def fill_col2(group):
    # 为组内所有col_2拆分元素，建立元素到对应col_2的映射（优先保留最长的col_2）
    mapping = {}
    for _, row in group.iterrows():
        elements = row['col_2'].split(',')
        for elem in elements:
            # 若元素未记录，或当前col_2比已记录的更长，则更新映射
            if elem not in mapping or len(row['col_2']) > len(mapping[elem]):
                mapping[elem] = row['col_2']
    # 根据col_1的值匹配映射，替换col_2，无匹配则保留原内容
    group['col_2'] = group['col_1'].map(mapping).fillna(group['col_2'])
    return group

# 按ID分组并应用处理函数
result_df = df.groupby('ID', group_keys=False).apply(fill_col2)
print(result_df)

代码解释 #

1. 分组处理函数fill_col2：
   • 遍历组内每行，将col_2按逗号拆分为单个元素，为每个元素绑定对应的col_2内容，优先保留更长的col_2（比如ID=1组中，A/B/C都会映射到最长的A,B,C）
   • 用col_1的值匹配映射字典，替换当前行的col_2，未匹配到则保留原内容
2. 分组应用：使用groupby('ID').apply()将函数作用于每个分组，group_keys=False避免生成额外的分组索引

验证结果 #

运行代码后输出与期望结果完全一致：

ID col_1  col_2
0   1     A  A,B,C
1   1     B  A,B,C
2   1     C  A,B,C
3   1     D      D
4   2     A    A,D
5   2     B      B
6   2     C      C
7   2     D    A,D

内容的提问来源于stack exchange，提问作者hagder