Pandas多DataFrame合并为单列：按CUS_ID分组先DAY后TIME_HOUR

我明白你需要把两个不同维度的分组统计结果合并成单列，并且按「每个用户先展示时段统计，再展示星期统计」的顺序排列（和你给出的示例格式匹配）。下面是具体的实现步骤：

步骤1：预处理分组统计结果 #

首先，我们给两个分组结果重命名统计列，同时重置索引以便后续添加排序标识：

import pandas as pd

# 模拟你的原始数据
raw_data = pd.DataFrame({
    'CUS_ID': [1176,1176,1192,1192,120,120,120,1269,1269,1269],
    'TIME_ID': [2012083016,2013030418,2012091609,2012101310,2012121410,2012121915,2012121915,2012070914,2012071309,2013031414],
    'TIME_HOUR': ['16h','18h','09h','10h','10h','15h','15h','14h','09h','14h'],
    'DAY': ['THU','MON','SUN','SAT','FRI','WED','WED','MON','FRI','THU']
})

# 生成分组统计，给统计列命名并重置索引
df_day = raw_data.groupby(['CUS_ID','DAY']).size().rename('counts').reset_index()
df_time = raw_data.groupby(['CUS_ID','TIME_HOUR']).size().rename('counts').reset_index()

步骤2：添加排序标识，控制展示顺序 #

我们给两类统计添加排序键，确保时段统计排在前面，星期统计排在后面：

# 排序键0：时段统计优先展示；排序键1：星期统计后续展示
df_time['sort_key'] = 0
df_day['sort_key'] = 1

步骤3：合并、排序并构建最终结果 #

合并两个数据集后，按用户ID、排序键排序，最后重新构建多级索引得到单列结果：

# 合并两个统计数据集
combined = pd.concat([df_time, df_day])

# 排序：先按用户ID分组，再按排序键控制展示顺序，最后按时段/星期名称排序
combined = combined.sort_values(by=['CUS_ID', 'sort_key', 'TIME_HOUR', 'DAY'])

# 构建最终的多级索引Series：一级索引为用户ID，二级索引为时段/星期，值为统计数
result = combined.set_index(
    ['CUS_ID', 
     combined.apply(lambda row: row['TIME_HOUR'] if row['sort_key'] == 0 else row['DAY'], axis=1)]
)['counts']

查看结果示例 #

比如查看CUS_ID=120的统计结果：

print(result.loc[120])

输出如下：

10h    1.0
15h    2.0
FRI    1.0
WED    2.0
Name: counts, dtype: float64

这样就完全符合你的需求：每个用户下先展示所有时段的统计值，再展示所有星期的统计值，结果是无NaN值的单列Series。

内容的提问来源于stack exchange，提问作者In Kyu Choi