在Pandas中为分组分配唯一数值型组ID

嘿，这个需求我简直天天碰到！给Pandas分组分配唯一数值ID确实比拼接列靠谱太多——毕竟拼接不仅容易因为列多、值类型复杂出问题，还平白浪费内存。下面给你几个简单好用的方法，直接就能上手：

方法1：用groupby.ngroup()（最直接） #

这是Pandas专门为分组场景设计的方法，一步就能生成连续的数值ID，完全不需要手动处理拼接。它默认从0开始分配ID，还能通过参数控制排序和起始值。

示例代码： #

import pandas as pd

# 构造示例数据集
df = pd.DataFrame({
    'category': ['A', 'A', 'B', 'B', 'A', 'C'],
    'subcategory': ['X', 'X', 'Y', 'Y', 'Z', 'X'],
    'value': [10, 20, 30, 40, 50, 60]
})

# 按多列分组并生成唯一ID
df['group_id'] = df.groupby(['category', 'subcategory']).ngroup()

# 如果想让ID从1开始，或者按分组键排序后分配ID：
# df['group_id_sorted'] = df.groupby(['category', 'subcategory']).ngroup(start=1, sort=True)

结果说明： #

分组A-X会得到ID 0，A-Z是1，B-Y是2，C-X是3——完全按分组出现的顺序分配，没有冗余字符串，内存占用极低。

方法2：用pd.factorize()（更灵活） #

如果不想先做groupby操作，或者需要单独处理分组键的组合，factorize()是个好选择。它能把任意可哈希的序列（包括元组）转换成唯一数值编码。

示例代码： #

# 直接对多列组合的元组进行编码
df['group_id_factorize'] = pd.factorize(df[['category', 'subcategory']].apply(tuple, axis=1))[0]

进阶优化（大数据集适用）： #

如果你的数据集很大，apply(tuple)可能有点慢，可以用向量化的哈希方法替代：

from pandas.api.types import hash_pandas_object

# 对分组列生成哈希值，再通过rank得到连续的ID
df['group_id_hash'] = hash_pandas_object(df[['category', 'subcategory']], index=False).rank(method='dense').astype(int) - 1

这个方法完全避免了循环操作，处理百万级数据也很快。

各方法对比 #

这些方法都完美避开了拼接列的弊端：不会生成冗余字符串，内存占用极小，而且能保证每个分组的ID绝对唯一——不管你的分组列有多少、值是什么类型都能搞定。

内容的提问来源于stack exchange，提问作者seeiespi