如何更简洁地实现DataFrame分组后多列值的拼接？

需求：对DataFrame执行groupby操作后，按规则拼接多列值——列内值用:分隔，记录间用#分隔。

原始DataFrame：

type1 type2 id score
A      B    123  78
A      B    124  89
A      C    126  45
A      C    231  98
A      C    657  92

期望结果：

type1 type2 result
A      B    123:78#124:89
A      C    126:45#231:98#657:92

现有实现（较为复杂）：

g=df.groupby(['type1','type2'])
final=pd.DataFrame(columns=['type1','type2','result'])
for i,j in g:
    j['total']=j.apply(lambda x:x['id']+':'+str(x['score']),axis=1)
    final.loc[len(final)]=[item for item in i]+['#'.join(j['total'])]

请问是否有更简洁的实现方式？

简洁实现方案 #

当然有，推荐两种更高效简洁的写法：

方式一：分步构造+聚合（可读性优） #

先为每行生成id:score格式的字符串，再分组聚合拼接：

# 先将id转为字符串，与score拼接成每行的组合字符串
df['combined'] = df['id'].astype(str) + ':' + df['score'].astype(str)
# 分组后用#拼接每组的combined值，重置索引得到目标结构
result = df.groupby(['type1', 'type2'])['combined'].agg('#'.join).reset_index(name='result')

方式二：分组内直接处理（代码更紧凑） #

利用groupby.apply在分组内完成所有拼接逻辑：

result = df.groupby(['type1', 'type2']).apply(
    lambda group: '#'.join(group['id'].astype(str) + ':' + group['score'].astype(str))
).reset_index(name='result')

优势说明 #

这两种写法都避免了手动循环和逐行构建DataFrame，完全利用pandas内置的向量化操作和聚合函数，代码更简洁，同时性能也优于原实现（尤其是数据量较大时）。

内容的提问来源于stack exchange，提问作者ZhaiShang