如何为拼接后的Pandas DataFrame添加多来源标识列？

我来帮你搞定这个问题！核心思路是先给每个小DataFrame打上专属标识，再通过分组合并的方式保留重复行的多来源标记，具体步骤如下：

1. 给每个小DataFrame添加专属标识列 #

首先，为每个小型DataFrame单独设置标识列：对应自身来源的列设为1，其余标识列设为0。这样拼接后，重复行的对应标识列会出现多个1，后续我们只需要合并这些值即可。

举个示例，假设你有4个小DataFrame：

import pandas as pd

# 创建示例数据（你可以替换成自己的真实数据）
df1 = pd.DataFrame({'Forename': ['charlie'], 'Surname': ['jim']})
df2 = pd.DataFrame({'Forename': ['ian'], 'Surname': ['james']})
df3 = pd.DataFrame({'Forename': [], 'Surname': []})  # 假设df3暂时无数据
df4 = pd.DataFrame({'Forename': ['jon', 'charlie'], 'Surname': ['smith', 'jim']})

给每个DataFrame批量添加标识列：

# 定义所有标识列名称
ind_cols = ['Ind_1', 'Ind_2', 'Ind_3', 'Ind_4']

# 循环给每个小DataFrame打标识
for idx, df in enumerate([df1, df2, df3, df4]):
    # 先把所有标识列初始化为0
    df[ind_cols] = 0
    # 当前DataFrame对应的标识列设为1
    df[ind_cols[idx]] = 1

2. 拼接所有DataFrame #

用pd.concat把打了标识的小DataFrame拼接到一起：

combined_df = pd.concat([df1, df2, df3, df4], ignore_index=True)

此时拼接后的结果里，重复行（比如charlie jim）会出现两次，分别带有Ind_1=1和Ind_4=1的标记。

3. 合并重复行并保留多来源标识 #

按姓名（Forename+Surname）分组，对每个标识列取最大值——这样就能把同一行在多个DataFrame里的标识都保留为1：

final_df = combined_df.groupby(['Forename', 'Surname'], as_index=False).max()

最终结果 #

运行上述代码后，你会得到完全符合预期的DataFrame：

Forename Surname  Ind_1  Ind_2  Ind_3  Ind_4
0  charlie      jim      1      0      0      1
1      ian    james      0      1      0      0
2      jon    smith      0      0      0      1

这个方法既解决了单一来源行的标记问题，也完美处理了重复行的多来源标记，而且如果后续新增小DataFrame，只需要扩展ind_cols和循环列表即可，非常灵活。

内容的提问来源于stack exchange，提问作者Joseph0210