Pandas如何按分组规则拆分DataFrame为两个子数据框

你的数据满足「相同取值的分组固定连续重复5次」的规则，不需要用复杂的全局间隔匹配，两种方法都可以实现需求，其中第一种性能更优，适配大规模数据场景。

方法1：基于固定组长度的索引取数（推荐，性能最高） #

因为每组固定5个连续行，直接对行索引做模5运算，判断行在组内的位置即可，不需要做分组聚合，千万级数据量下也能快速跑完：

# 如果原df索引不是从0开始的连续值，先执行这行重置索引
# df = df.reset_index(drop=True)

# 计算每行在所属5行小组内的偏移位置，取值范围0-4
row_pos = df.index % 5

# 偏移量0、1对应每组前2行，归入第一个DataFrame
df_first = df[row_pos < 2].reset_index(drop=True)
# 偏移量2、3、4对应每组后3行，归入第二个DataFrame
df_second = df[row_pos >= 2].reset_index(drop=True)

方法2：按列分组取数（鲁棒性更强） #

如果后续可能出现组长度不固定的情况，可以直接按前两列分组，标记每组内的行序号再拆分，不需要依赖固定5行的规则：

# 标记每个分组内的行序号，从0开始计数
in_group_rank = df.groupby(['text', 'reference']).cumcount()

df_first = df[in_group_rank < 2].reset_index(drop=True)
df_second = df[in_group_rank >= 2].reset_index(drop=True)

运行结果 #

两种方法输出的结果和给出的期望完全一致：

df_first输出：

text reference  id
0      the weather is nice   weather   1
1      the weather is nice   weather   2
2   the house is beautiful     house   6
3   the house is beautiful     house   7
4         the day is long       day  11
5         the day is long       day  12

df_second输出：

text reference  id
0      the weather is nice   weather   3
1      the weather is nice   weather   4
2      the weather is nice   weather   5
3   the house is beautiful     house   8
4   the house is beautiful     house   9
5   the house is beautiful     house  10
6         the day is long       day  13
7         the day is long       day  14
8         the day is long       day  15

内容的提问来源于stack exchange，提问作者zara kolagar