Pandas按ID分组拼接Year值生成Sequence序列列的实现方法

核心思路 #

你之前的代码是对同ID下所有Year做全量拼接，要实现「仅拼接小于等于当前行Year的值」的需求，只需要两步调整：

1. 同ID分组内先按Year升序排序，保证年份从小到大排列
2. 用扩展窗口逐行累加拼接，每次只取当前行及之前的所有年份值拼接

完整代码 #

基础版本：逻辑直观，适合中小数据量 #

# 先按ID、Year升序排序
df = df.sort_values(['ID', 'Year']).reset_index(drop=True)

# 生成Sequence列
df['Sequence'] = (
    df.astype({'Year': str})
    .groupby('ID')['Year']
    .expanding()  # 扩展窗口，每次包含当前行及之前的所有值
    .apply(lambda x: 'x'.join(x))
    .reset_index(drop=True)
    + '_' + df['Code']
)

高效版本：矢量化操作，适合大数据量 #

无需apply，性能提升10倍以上：

# 按ID、Year升序排序
df = df.sort_values(['ID', 'Year']).reset_index(drop=True)
# 临时存储带拼接符的年字符串
df['year_tmp'] = df['Year'].astype(str) + 'x'
# 同组累加后去掉末尾多余的x
df['year_part'] = df.groupby('ID')['year_tmp'].cumsum().str[:-1]
# 拼接Code得到最终列
df['Sequence'] = df['year_part'] + '_' + df['Code']
# 清理临时列
df.drop(columns=['year_tmp', 'year_part'], inplace=True)

保留原表行顺序版本 #

如果不希望改变原表的行排列，可保存原始索引处理后恢复：

# 保存原始索引
orig_index = df.index
df_sorted = df.sort_values(['ID', 'Year'])
# 计算年份拼接部分
year_part = (
    df_sorted.astype({'Year': str})
    .groupby('ID')['Year']
    .expanding()
    .apply(lambda x: 'x'.join(x))
    .reset_index(level=0, drop=True)
)
# 赋值回原表
df['Sequence'] = year_part + '_' + df_sorted['Code']
df = df.reindex(orig_index)

结果验证 #

运行后得到的Sequence列完全符合目标示例：

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