如何按ID使用Lag/Lead与Partition By统计重分配相关次数？

针对你已经获取到Reassign状态行的上一个和下一个个体的基础上，咱们可以分两步完成需要的统计任务，下面以Python的Pandas为例（如果用其他工具思路逻辑一致）：

1. 统计每个ID出现Reassign状态的次数 #

这一步核心是筛选出所有状态为Reassign的记录，再按ID分组计数：

import pandas as pd

# 假设你的数据存储在df中，包含列：ID、状态、prev_id（Reassign行的上一个个体ID）、next_id（Reassign行的下一个个体ID）
reassign_records = df[df['状态'] == 'Reassign']
# 统计每个ID的Reassign次数
reassign_count_per_id = reassign_records.groupby('ID').size().rename('Reassign出现次数')

这段代码会得到一个Series，索引是ID，值是对应ID出现Reassign状态的次数，直接就能看到每个ID触发重分配状态的频次。

2. 统计每个个体被重分配到/从重分配出的次数 #

利用你已经获取的prev_id和next_id字段，分别统计“出”和“入”的次数：

• 从重分配出次数：统计某个ID作为Reassign操作的来源（即出现在prev_id列）的次数
• 被重分配到次数：统计某个ID作为Reassign操作的目标（即出现在next_id列）的次数

具体代码实现：

# 统计重分配出次数
out_count = reassign_records['prev_id'].value_counts().rename('从重分配出次数')
# 统计重分配入次数
in_count = reassign_records['next_id'].value_counts().rename('被重分配到次数')

# 合并两个统计结果，补全缺失值为0并转为整数
transfer_count = pd.concat([out_count, in_count], axis=1).fillna(0).astype(int)

比如你提到的ID 649598 Kruger，如果它在prev_id中出现2次，next_id中也出现2次，那么transfer_count里对应的行就会显示：

如果某个ID只有重分配入或者只有重分配出，fillna(0)会把缺失的次数补为0，保证结果的完整性。

内容的提问来源于stack exchange，提问作者Newbie