本文介绍一种更简洁高效的Pandas方法，利用groupby().shift()实现同ID下SEQ值的成对拼接（如"1 - 2"、"2 - 3"），避免冗余列和显式过滤，显著提升可读性与执行效率。
本文介绍一种更简洁高效的pandas方法，利用`groupby().shift()`实现同id下seq值的成对拼接（如"1 - 2"、"2 - 3"），避免冗余列和显式过滤，显著提升可读性与执行效率。
在处理有序分组序列数据时，常需将同一分组内相邻记录的某列值进行配对组合（例如生成区间、路径边、状态转移对等）。原始方案通过shift(-1)创建下一行副本、添加临时标识列、再用布尔索引过滤，逻辑清晰但存在三处可优化点：① 引入冗余列（ID_NEXT、SEQ_NEXT）增加内存开销；② x['ID']==x['ID_NEXT'] 过滤依赖隐式对齐，易受索引扰动影响；③ 类型转换与字符串拼接分散在多步中，链式可读性弱。
推荐使用分组内前向位移 + 链式赋值的一体化方案：
import pandas as pd
x = pd.DataFrame({
'ID': [1, 1, 1, 1, 2, 2, 2],
'SEQ': [1, 2, 3, 4, 1, 3, 4]
})
result = (x.astype({'SEQ': 'str'})
.assign(
SEQ_NEXT=lambda df: df.groupby('ID')['SEQ'].shift(), # 同ID内上一行SEQ（即前驱）
COMBINE=lambda df: df['SEQ_NEXT'] + ' - ' + df['SEQ']
)
.dropna(subset=['SEQ_NEXT']) # 自动剔除每组首行（无前驱）
[['ID', 'SEQ', 'SEQ_NEXT', 'COMBINE']]) # 可选：精简输出列
print(result)
输出：
ID SEQ SEQ_NEXT COMBINE 1 1 2 1 1 - 2 2 1 3 2 2 - 3 3 1 4 3 3 - 4 5 2 3 1 1 - 3 6 2 4 3 3 - 4
✅ 关键优势解析：
-
groupby('ID')['SEQ'].shift()确保位移严格限定在相同ID组内，天然规避跨组错误配对（如ID=1末尾与ID=2开头的误连）； -
dropna(subset=['SEQ_NEXT'])直接丢弃每组首行（其SEQ_NEXT为NaN），比布尔索引更语义明确且性能更优； - 全程链式操作（
.assign().dropna()）无需中间变量，内存友好，符合函数式编程习惯。
⚠️ 注意事项：
- 若原始
SEQ为数值型且需保留计算能力，建议仅对拼接步骤临时转字符串（如df['SEQ'].astype(str)），而非全局修改原列类型； - 此方法默认生成“前驱→当前”对（即
SEQ[i-1] - SEQ[i]），若需“当前→后继”对（SEQ[i] - SEQ[i+1]），应改用shift(-1)并配合dropna，但需注意此时末行会被丢弃； - 数据必须已按
ID和SEQ（或业务顺序）预排序，否则分组位移结果无意义。
该方案以更少代码、更强健的分组逻辑和更清晰的数据流，成为处理同类问题的标准实践。
