基于Pandas GroupBy按条件为DataFrame父ID分配最终代码

原始DataFrame结构如下：

child_id        parent_id   code 
111             null        SS2
222             111         SS1
333             222         ZZZ
444             222         ZZZ
555             888         TTT
666             777         AAA
777             222         SS1
888             222         SS1
999             111         SS2

需生成新DataFrame，包含parent_id、code、final_code三个字段，规则为：
当某parent_id的所有子ID中，code与该父ID自身code相同的数量占比≥50%时，final_code赋值为父ID的code；否则赋值为NULL。

示例结果：

parent_id   code  final_code
222         SS1          SS1
111         SS2          SS2
888         SS1          NULL
777         SS1          NULL

判断逻辑说明：

• parent_id=222：4个子ID中2个code匹配父code（占比50%），赋值SS1；
• parent_id=111：2个子ID中1个匹配（占比50%），赋值SS2；
• parent_id=888：1个子ID不匹配，赋值NULL；
• parent_id=777：1个子ID不匹配，赋值NULL。

补充说明：DataFrame中每个child_id对应唯一code，多数child_id存在父ID（来自child_id列），parent_id列表示子ID间的关联关系。需用df.groupby('parent_id')实现，以下是具体实现技巧。

步骤1：构建父ID的code映射表 #

首先提取每个child_id对应的code，用字典存储这一对应关系（因为parent_id本质是另一个child_id）：

import pandas as pd

# 构造原始数据
data = {
    'child_id': [111, 222, 333, 444, 555, 666, 777, 888, 999],
    'parent_id': [None, 111, 222, 222, 888, 777, 222, 222, 111],
    'code': ['SS2', 'SS1', 'ZZZ', 'ZZZ', 'TTT', 'AAA', 'SS1', 'SS1', 'SS2']
}
df = pd.DataFrame(data)

# 生成parent_id到code的映射字典
parent_code_map = df.set_index('child_id')['code'].to_dict()

步骤2：给子项添加父code字段 #

过滤掉无父ID的根节点，给剩余子项添加对应父ID的code字段：

# 仅保留有父ID的子项数据
child_df = df[df['parent_id'].notna()].copy()
# 映射父ID对应的code
child_df['parent_code'] = child_df['parent_id'].map(parent_code_map)

步骤3：分组计算匹配占比 #

按parent_id分组，统计每组的子项总数、code匹配数量，进而计算匹配占比：

# 分组聚合统计
grouped = child_df.groupby('parent_id').agg(
    total_count=('child_id', 'count'),
    match_count=('code', lambda x: sum(x == child_df.loc[x.index, 'parent_code']))
).reset_index()
# 计算匹配占比
grouped['match_ratio'] = grouped['match_count'] / grouped['total_count']

步骤4：生成final_code并整理结果 #

关联父ID的code，根据占比条件赋值final_code，最后整理成目标格式：

# 添加父ID自身的code列
grouped['code'] = grouped['parent_id'].map(parent_code_map)
# 按规则生成final_code
grouped['final_code'] = grouped.apply(
    lambda row: row['code'] if row['match_ratio'] >= 0.5 else None,
    axis=1
)
# 筛选目标列并调整顺序（与示例结果对齐）
result_df = grouped[['parent_id', 'code', 'final_code']].sort_values('parent_id', ascending=False).reset_index(drop=True)

执行后result_df即为符合要求的结果。

关键技巧说明 #

• 用字典映射快速获取父ID的code，避免重复查询提升效率；
• 分组聚合时结合索引匹配，确保准确计算每组的code匹配数量；
• 用apply函数实现条件赋值，逻辑清晰易维护。

内容的提问来源于stack exchange，提问作者Nadiia