Pandas如何基于其他行值赋值，快速提取同线号对应前页的text字段？

方案1：页码连续场景（最简写法） #

如果你的数据中所有行号对应的页码都是连续递增、没有缺页的情况，直接用groupby + shift的向量化操作即可，全程不需要自定义函数，性能远高于apply实现：

• 第一步：按行号、页码升序排序，保证同个行号下的页码顺序正确

df = df.sort_values(by=['line_number', 'page_number'], ignore_index=True)

• 第二步：按行号分组，组内将text列向下偏移1位，即为上一页的同号行文本

df['prev_text'] = df.groupby('line_number')['text'].shift(1)

如果需要保留原始数据的排序，可在排序前新增一列存储原始索引，操作完成后恢复顺序：

df['orig_index'] = df.index
# 执行上述排序、赋值操作
df = df.sort_values(by='orig_index').drop(columns='orig_index')

方案2：页码可能不连续场景（严谨通用） #

如果存在行号缺页的情况（比如某行号只有第1、3页，没有第2页），方案1会把第1页的文本赋值给第3页的prev_text，不符合你“仅当前一页（page_number-1）存在时生效”的要求，这时用左连接实现更准确：

# 构造匹配用的辅助表，存储所有行号+页码对应的文本
match_df = df[['page_number', 'line_number', 'text']].rename(columns={'text': 'prev_text'})
# 给原表加一个匹配键：当前页码-1
df['match_page'] = df['page_number'] - 1
# 按行号、匹配页码做左连接，得到对应的前一页文本
df = df.merge(match_df, how='left', left_on=['line_number', 'match_page'], right_on=['line_number', 'page_number'], suffixes=('', '_right'))
# 删掉辅助字段
df = df.drop(columns=['match_page', 'page_number_right'])

性能说明 #

两种方案都是基于Pandas底层优化的向量化操作，比自定义apply遍历的效率高1~2个数量级，数据量越大优势越明显，不需要自行构建二维索引数组。

内容的提问来源于stack exchange，提问作者Marek Kubowicz