Pandas按individual_id子集分组合并多行为单行（支持多part）

不需要硬编码固定数量的part列，核心思路是先从individual_id中提取出真正用于分组的ID前缀，再通过透视完成长表转宽表的操作，完全适配3个及以上part的情况。

步骤1：拆分原始字段，为分组做准备 #

从individual_id字符串中拆出两部分内容：用于分组的核心ID（如C11、C12）、当前行对应的part序号。这里用单次拆分的逻辑，避免组ID本身带空格时被错误拆分：

# 匹配" part "关键字做单次拆分，拆成组ID和part编号
df[['group_id', 'part_idx']] = df['individual_id'].str.split(' part ', n=1, expand=True)
# 将part编号转为整数，规避字符串排序的常见问题（比如part 10排在part 2之前）
df['part_idx'] = df['part_idx'].astype(int)
# 按组ID、part编号升序排序，保证后续展开的列顺序和part序号一致
df = df.sort_values(['group_id', 'part_idx']).reset_index(drop=True)

步骤2：透视生成为宽表结构 #

用pivot函数完成长表转宽表，列会根据实际存在的part数量自动生成，不需要手动指定列名，天然兼容3个及以上part的场景：

# 以group_id为行维度，part_idx为列维度，提取Rec、Sig两个指标值
df_pivot = df.pivot(
    index='group_id',
    columns='part_idx',
    values=['Rec', 'Sig']
)

步骤3：整理列名，输出目标格式 #

透视结果默认是多级列结构，把列名拼接成题目要求的Rec 1、Sig 2格式，再把行索引转成普通列即可：

# 拼接多级列名为指定格式
df_pivot.columns = [f'{metric} {part}' for metric, part in df_pivot.columns]
# 重置索引，把group_id还原为individual_id列
df_final = df_pivot.reset_index(names='individual_id')

补充：用groupby实现的等价写法 #

如果更习惯用groupby的逻辑，只要把拆分得到的group_id作为分组键，配合组内累计计数生成对应part的列号，再通过unstack展开，同样可以实现目标效果，不需要写循环判断part数量：

# 按组ID分组，组内逐行累计的序号+1就是对应part的列编号
df['part_col'] = df.groupby('group_id').cumcount() + 1
# 锁定索引和取值列，展开为宽表后整理列名
df_final = (
    df.set_index(['group_id', 'part_col'])[['Rec', 'Sig']]
    .unstack('part_col')
    .rename(columns=lambda col: f'{col[0]} {col[1]}')
    .reset_index(names='individual_id')
)

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