如何无需循环生成DataFrame的version列以跟踪文件版本

现有存储文件创建日期和升级日期的DataFrame，需新增version列跟踪文件版本。

原始数据集 #

期望结果 #

现有循环实现 #

ids = df['fileID'].unique().tolist()
for id in ids:
    df.loc[df['fileID'] == id, 'version'] = range(1, len(df.loc[df['fileID'] == id]) + 1)

无循环解决方案 #

方法1：groupby + cumcount()（推荐） #

先按fileID和upgradeDate排序，确保版本号按升级时间顺序分配，再通过分组计数生成版本号：

# 先排序保证版本顺序正确
df = df.sort_values(['fileID', 'upgradeDate'])
# 生成version列，cumcount从0开始计数，加1得到从1起始的版本号
df['version'] = df.groupby('fileID').cumcount() + 1

方法2：groupby + rank() #

通过对每个文件的upgradeDate排名生成版本号，method='first'确保相同日期（如果存在）按出现顺序排名：

df['version'] = df.groupby('fileID')['upgradeDate'].rank(method='first').astype(int)

两种方法均为Pandas矢量化操作，相比循环效率更高，尤其适合大规模数据集。

内容的提问来源于stack exchange，提问作者CBO