Pandas按两列groupby统计第三列共享值并优先取更高共享度的实现

需求梳理 #

你需要实现的逻辑可拆解为：

• 先按col1进行一级分组
• 每个col1分组内，统计每个col3值被多少个不同的col2值共享，记为共享度
• 对每个col2，取其关联的所有col3的最大共享度作为最终计数，最终输出列表长度和col2的唯一值数量一致

代码实现 #

1. 构造示例DataFrame #

import pandas as pd

df = pd.DataFrame({
    'col1': ['A']*8,
    'col2': ['ID1', 'ID1', 'ID1', 'ID2', 'ID2', 'ID3', 'ID4', 'ID4'],
    'col3': [15, 16, 12, 15, 12, 18, 19, 12]
})

2. 核心计算逻辑 #

def get_max_shared_count(col1_group):
    # 统计当前col1分组下每个col3的共享度（关联的不同col2数量）
    col3_shared = col1_group.groupby('col3')['col2'].nunique().rename('shared_degree')
    # 关联共享度到原分组数据
    col1_group = col1_group.merge(col3_shared, on='col3')
    # 每个col2取最大共享度返回
    return col1_group.groupby('col2')['shared_degree'].max()

# 按col1分组执行计算
result = df.groupby('col1').apply(get_max_shared_count).reset_index()

结果说明 #

运行后得到的result数据如下：

• 输出列表长度和col2唯一值数量（4个）一致，值为[3,3,3,1]
• 如果需要去重后的共享度排序结果，执行list(result['shared_degree'].unique())即可得到你提到的[3,1]

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