基于索引合并Pandas多DataFrame：保留共通患者时序数据

首先明确：你直接赋值complete["B"] = B["value2"]的方式完全不能保证值与ID正确匹配，这是按DataFrame的行索引硬塞数据，和患者ID、时序顺序无关，一旦两个DataFrame行顺序不对应，数据就会全部错位。

正确解决方案 #

问题根源是仅按id合并时，每个id对应多条记录，Pandas会执行笛卡尔积，导致重复。解决核心是给每个患者的时序记录添加组内序号，标记该患者的第1/2条测量值，再用id+序号作为合并键，精准匹配同患者同时序的记录。

步骤分解（以A、B为例，扩展到3个DataFrame逻辑一致）：

1. 给每个DataFrame添加组内序号
   按id分组后，为每组的行生成从1开始的序号，对应测量时序：

   import pandas as pd
   
   # 还原你的示例数据（注意你提供的df1对应B，df2对应A）
   df_A = pd.DataFrame({"id":[1,1,2,2],"value1":[80,78,76,79]})
   df_B = pd.DataFrame({"id":[2,2,3,3], "value2":[65,67,74,65]})
   
   # 添加组内时序序号
   df_A["seq"] = df_A.groupby("id").cumcount() + 1  # 从1开始计数，对应第1/2次测量
   df_B["seq"] = df_B.groupby("id").cumcount() + 1
   

2. 筛选三个DataFrame共有的患者ID
   取所有DataFrame中ID的交集，只保留这些患者的记录：

   # 若有第三个DataFrame df_C，只需加入intersection参数即可
   common_ids = set(df_A["id"]).intersection(df_B["id"])
   

3. 过滤数据，仅保留共同ID的记录

   df_A_filtered = df_A[df_A["id"].isin(common_ids)]
   df_B_filtered = df_B[df_B["id"].isin(common_ids)]
   

4. 按id+seq合并数据
   此时合并不会产生笛卡尔积，精准匹配同患者同时序的记录：

   merged_df = pd.merge(df_A_filtered, df_B_filtered, on=["id", "seq"], how="inner")
   # 若有第三个DataFrame，继续执行合并：
   # merged_df = pd.merge(merged_df, df_C_filtered, on=["id", "seq"], how="inner")
   
   # 不需要seq列的话可以删除
   merged_df = merged_df.drop("seq", axis=1)
   

最终得到的结果与预期一致：

方法原理 #

每个患者的记录是按时间排序的，cumcount()生成的序号对应了该患者的第n次测量，用id+seq作为合并键，彻底避免了同患者多条记录交叉匹配的问题，完美解决笛卡尔积重复。

内容的提问来源于stack exchange，提问作者aegis301