分组与用户关系映射需求及自连接实现问题求助

看起来你已经找对了方向——自连接确实是处理这类问题的核心方法，可能只是在连接条件、字段生成的细节上卡壳了。我会用SQL和Python两种常见的方案帮你搞定这两个任务。

方案一：SQL实现（适合数据库端处理） #

假设你的源数据存在名为user_groups的表，结构是ID INT, Group VARCHAR(1)。我们可以通过自连接+窗口函数来生成你需要的结果：

SELECT
    -- 给每个唯一的from_ID分配专属Relational Group标识
    -- 若需自定义标识（比如1对应Z、2对应X），可替换为CASE语句
    CHAR(64 + DENSE_RANK() OVER(ORDER BY ug1.ID)) AS `Relational Group`,
    -- 生成全局唯一的Relationship ID，从111开始递增
    110 + ROW_NUMBER() OVER(ORDER BY ug1.`Group`, ug1.ID, ug2.ID) AS `Relationship ID`,
    ug1.ID AS from_ID,
    ug2.ID AS to_ID,
    ug1.`Group` AS `group`
FROM user_groups ug1
INNER JOIN user_groups ug2
    -- 核心连接条件：同组且不是同一用户
    ON ug1.`Group` = ug2.`Group`
    AND ug1.ID != ug2.ID
-- 按组、from_ID、to_ID排序，对齐示例格式
ORDER BY ug1.`Group`, ug1.ID, ug2.ID;

关键细节说明： #

1. 自连接逻辑：通过INNER JOIN关联同组用户，同时排除自身关联的无效数据；
2. Relational Group生成：用DENSE_RANK()给每个唯一from_ID分配排名，再转成字母标识。如果需要特定ID对应特定标识，可替换为CASE ug1.ID WHEN 1 THEN 'Z' WHEN 2 THEN 'X' ELSE ... END；
3. Relationship ID生成：用ROW_NUMBER()生成全局唯一序号，加110让起始值和示例一致（从111开始）。

方案二：Python Pandas实现（适合本地数据处理） #

如果你的数据是本地文件（比如CSV），用Pandas处理会更灵活：

import pandas as pd

# 加载样本数据
data = [
    [1, 'A'], [2, 'A'], [3, 'A'], [4, 'A'], [10, 'A'], [11, 'A'], [12, 'A'], [13, 'A'], [14, 'A'], [15, 'A'], [20, 'A'],
    [1, 'B'], [2, 'B'], [3, 'B'], [5, 'B'], [6, 'B'], [13, 'B'], [17, 'B'], [18, 'B'], [19, 'B'], [20, 'B'],
    [7, 'C'], [8, 'C'], [9, 'C'], [10, 'C'], [11, 'C'], [12, 'C'], [16, 'C'], [18, 'C'], [19, 'C']
]
df = pd.DataFrame(data, columns=['ID', 'Group'])

# 1. 自连接生成同组用户关系
merged_df = df.merge(df, on='Group', suffixes=('_from', '_to'))
# 排除自身关联的无效数据
merged_df = merged_df[merged_df['ID_from'] != merged_df['ID_to']]

# 2. 生成Relational Group：支持自定义映射或自动分配字母
rg_mapping = {
    1: 'Z',
    2: 'X'
    # 未自定义的ID会自动分配字母，可注释掉上面两行启用全自动分配：
    # unique_ids = merged_df['ID_from'].unique()
    # rg_mapping = {id: chr(64 + i + 1) for i, id in enumerate(unique_ids)}
}
# 给未自定义的ID补充自动分配的标识
for idx, id in enumerate(merged_df['ID_from'].unique()):
    if id not in rg_mapping:
        rg_mapping[id] = chr(64 + idx + 1)
merged_df['Relational Group'] = merged_df['ID_from'].map(rg_mapping)

# 3. 生成从111开始的Relationship ID
merged_df['Relationship ID'] = merged_df.reset_index().index + 111

# 调整列顺序并排序，匹配输出格式
final_result = merged_df[['Relational Group', 'Relationship ID', 'ID_from', 'ID_to', 'Group']]
final_result = final_result.rename(columns={'ID_from': 'from_ID', 'ID_to': 'to_ID'})
final_result = final_result.sort_values(by=['Group', 'from_ID', 'to_ID']).reset_index(drop=True)

# 查看结果
print(final_result)

你之前自连接无效的可能原因： #

大概率是这两个细节没处理好：

• 没添加ug1.ID != ug2.ID的条件，导致生成了自身关联的无效数据；
• 没正确给每个from_ID分组生成Relational Group，或者全局唯一Relationship ID的生成逻辑有误。

内容的提问来源于stack exchange，提问作者tadon11Aaa