如何对Pandas DataFrame中带C1-C6后缀ID的行进行分组？

1. 先从名称中提取目标ID #

groupby无法识别C1-C6，核心原因是这些ID嵌在名称字符串里，不是独立的分组列。先把ID提取出来：

场景1：ID固定在名称末尾（如XXXC4） #

假设你的样本名称列叫sample_name，用正则提取末尾的C+数字组合：

import pandas as pd

# 读取数据集
df = pd.read_excel('your_data.xlsx')

# 提取末尾的ID
df['group_id'] = df['sample_name'].str.extract(r'(C\d+)$')

场景2：ID可能出现在名称任意位置（仅为C1-C6） #

如果ID不一定在末尾，但属于指定的C1-C6集合，直接匹配关键词：

target_ids = ['C1', 'C2', 'C3', 'C4', 'C5', 'C6']
pattern = '|'.join(target_ids)
df['group_id'] = df['sample_name'].str.extract(f'({pattern})')

2. 基于提取的ID执行分组 #

有了独立的group_id列，groupby就能正常识别分组了：

# 按ID分组并计算特征均值（示例操作）
grouped_result = df.groupby('group_id').mean()

# 如果需要在原数据中添加分组统计值，用transform
df['feature_group_avg'] = df.groupby('group_id')['your_feature_column'].transform('mean')

3. 排查异常情况 #

• 检查提取后是否有缺失ID：如果存在，说明部分名称未匹配到目标格式，需要调整正则或确认名称规则

# 查看未匹配到ID的样本名称
unmatched_samples = df[df['group_id'].isna()]['sample_name']
print(unmatched_samples)

• 确保group_id是字符串类型：避免数字格式导致的分组错误

df['group_id'] = df['group_id'].astype(str)

内容的提问来源于stack exchange，提问作者hello