如何更高效地按ID分组配对合并DataFrame的SEQ列元素？

嘿，你的实现思路完全没问题，但确实能简化得更高效，不用生成那么多中间列，处理逻辑也能更聚焦核心需求——咱们直接围绕「同ID分组内，将当前行SEQ与下一行SEQ合并」这个目标来优化：

先回顾下你的原始数据：

import pandas as pd

x = pd.DataFrame({
    'ID':  [1, 1, 1, 1, 2, 2, 2],
    'SEQ': [1, 2, 3, 4, 1, 3, 4]
})

对应的输出效果是要得到同ID内相邻SEQ的配对，比如1 - 2、2 - 3这类组合。

优化方案1：分组Shift+直接过滤（高效简洁） #

核心是用groupby在同ID分组内做shift(-1)，这样跨ID的行不会被错误匹配，而且自动在每组最后一行生成NaN，直接过滤掉这些空值就行，不用额外对比ID：

# 先把SEQ转成字符串，方便拼接
x['SEQ'] = x['SEQ'].astype(str)

# 仅在同ID分组内，获取下一行的SEQ值并拼接
x['COMBINE'] = x['SEQ'] + ' - ' + x.groupby('ID')['SEQ'].shift(-1)

# 过滤掉没有下一行的行（每组最后一行的COMBINE会是NaN）
x = x.dropna(subset=['COMBINE'])

# 保留需要的列（可选，根据你的需求调整）
x = x[['ID', 'SEQ', 'COMBINE']]

运行后得到的结果和你预期的完全一致：

ID SEQ  COMBINE
0   1   1  1 - 2
1   1   2  2 - 3
2   1   3  3 - 4
4   2   1  1 - 3
5   2   3  3 - 4

优化方案2：链式操作（更紧凑的写法） #

如果喜欢代码更紧凑，用pandas的链式调用可以把所有逻辑串起来，不用分步赋值：

x = (pd.DataFrame({
    'ID':  [1, 1, 1, 1, 2, 2, 2],
    'SEQ': [1, 2, 3, 4, 1, 3, 4]
})
 .assign(SEQ=lambda df: df['SEQ'].astype(str))
 .assign(COMBINE=lambda df: df['SEQ'] + ' - ' + df.groupby('ID')['SEQ'].shift(-1))
 .dropna(subset=['COMBINE'])
 .filter(items=['ID', 'SEQ', 'COMBINE']))

为什么这些方法更高效？ #

1. 减少冗余列：不需要生成ID_NEXT这类中间列，直接聚焦核心的SEQ配对逻辑，节省内存；
2. 分组操作更精准：groupby('ID').shift(-1)只会在同ID内部做下移，不会处理跨ID的行，避免了全表shift后再过滤的冗余计算，大数据量下性能提升更明显；
3. 逻辑更清晰：代码直接对应需求——“同ID内，当前SEQ拼接下一行SEQ”，读起来一目了然。

备注：内容来源于stack exchange，提问作者obchardon