本文介绍一种高效方法：利用groupby().cumcount()生成每组内序号，将其作为索引映射到另一个dataframe的列值上，再与原始数值相乘，实现按id分组、按出现顺序对齐的标量乘法。
本文介绍一种高效方法：利用groupby().cumcount()生成每组内序号，将其作为索引映射到另一个dataframe的列值上，再与原始数值相乘，实现按id分组、按出现顺序对齐的标量乘法。
在实际数据分析中，常需将一个长序列（如时间序列或实验批次）按类别分组后，分别与一组预定义权重或系数进行顺序匹配乘法。例如，每个ID代表一类样本，其行序反映采集/发生顺序；而df2则提供对应位置的缩放因子（如归一化系数、温度权重、批次校准值等）。此时，直接使用广播或merge易出错，而基于索引对齐的向量化操作既简洁又高效。
核心思路是：为每个ID组内的行生成0起始的递增序号（即组内位置），再用该序号从df2中提取对应值，最后与df1['value']逐元素相乘。具体实现如下：
import pandas as pd
df1 = pd.DataFrame([[1, 1],
[2, 1],
[3, 1],
[2, 1],
[2, 2],
[3, 2],
[5, 3]], columns=['value', 'id'])
df2 = pd.DataFrame([1, 2, 3, 4])
# 关键步骤：组内计数 → 映射df2 → 乘法
out = df1.groupby('id').cumcount().map(df2[0]).mul(df1['value'])
print(out.tolist()) # 输出: [1, 4, 9, 8, 2, 6, 5]
✅ 代码解析：
- df1.groupby('id').cumcount() 返回每行在其id组内的0-based序号（如id=1的四行对应[0,1,2,3]）；
- .map(df2[0]) 将这些序号作为索引，从df2[0]（即Series([1,2,3,4])）中取值（自动处理越界，但题目已保证安全）；
- .mul(df1['value']) 执行逐元素乘法，结果与df1索引对齐。
⚠️ 注意事项：
- df2必须是一维结构（如单列DataFrame或Series），且索引为整数（默认RangeIndex即可）；
- 若df2含缺失值或索引不连续，建议先用.reindex()或.iloc[]确保对齐；
- 此方法依赖cumcount()的稳定排序——要求df1中同一ID的行保持原始顺序（Pandas默认满足）；
- 如需结果转为新列，可写作 df1['scaled_value'] = out。
该方案完全向量化，无需循环或apply，性能优异，适用于百万级数据场景，是Pandas高级索引技巧的典型应用。
