本文介绍如何仅使用 merge、set_index、reindex 等原生 dataframe 操作，从两两对战记录中构建四玩家全组合（含所有胜负结果）的聚合得分表，避免显式循环与 itertools，提升可读性与可扩展性。
本文介绍如何仅使用 merge、set_index、reindex 等原生 dataframe 操作，从两两对战记录中构建四玩家全组合（含所有胜负结果）的聚合得分表，避免显式循环与 itertools，提升可读性与可扩展性。
在多人协作或博弈建模场景中，常需将基础两两交互结果（如 P1 vs P2、P3 vs P4）组合为更高阶群体状态（如 P1+P2+P3+P4 同时获胜）。核心挑战在于：不依赖 Python 循环或 itertools.product，仅用 Pandas 原生操作（merge、set_index、unstack、add 等）完成笛卡尔积组合与得分聚合。这不仅能提升代码可维护性，也更契合向量化计算范式。
以下以 4 名玩家（P1–P4）为例，原始数据包含所有两两配对（P1-P2、P2-P3、P1-P4、P3-P4）在两种结果维度（Outcome_1 / Outcome_2）下的得分：
import pandas as pd
import numpy as np
data = {
"Player_1": ["P1", "P1", "P1", "P1", "P2", "P2", "P2", "P2", "P1", "P1", "P1", "P1", "P3", "P3", "P3", "P3"],
"Player_2": ["P2", "P2", "P2", "P2", "P3", "P3", "P3", "P3", "P4", "P4", "P4", "P4", "P4", "P4", "P4", "P4"],
"Outcome_1": ["win", "win", "lose", "lose", "win", "win", "lose", "lose", "win", "win", "lose", "lose", "win", "win", "lose", "lose"],
"Outcome_2": ["win", "lose", "win", "lose", "win", "lose", "win", "lose", "win", "lose", "win", "lose", "win", "lose", "win", "lose"],
"Score": [30, 45, 12, 78, 56, 21, 67, 90, 15, 32, 68, 88, 42, 74, 8, 93]
}
df = pd.DataFrame(data)✅ 关键思路：分组索引 + 广播加法
我们不遍历所有 2⁴=16 种胜负组合，而是将问题拆解为两个独立子集：
- Group A：P1 与 P2 的所有胜负组合 → 构建索引 (P1, P2, Outcome_1, Outcome_2)
- Group B：P3 与 P4 的所有胜负组合 → 构建索引 (P3, P4, Outcome_3, Outcome_4)
目标是让 Group A 的每条记录与 Group B 的每条记录配对相加，即实现「索引笛卡尔积 + 值广播加法」。
步骤 1：标准化索引并提取玩家集合
# 提取全部唯一玩家，并确保顺序固定（P1,P2,P3,P4）
players = sorted(df[["Player_1", "Player_2"]].stack().unique())
assert len(players) == 4, "Expected exactly 4 players"
p1, p2, p3, p4 = players
# 构建 Group A: (P1,P2) 子集
df_a = df[(df["Player_1"] == p1) & (df["Player_2"] == p2)].copy()
df_a = df_a.set_index(["Outcome_1", "Outcome_2"])["Score"].rename("Score_A")
# 构建 Group B: (P3,P4) 子集（注意列名映射）
df_b = df[(df["Player_1"] == p3) & (df["Player_2"] == p4)].copy()
df_b = df_b.rename(columns={"Outcome_1": "Outcome_3", "Outcome_2": "Outcome_4"})
df_b = df_b.set_index(["Outcome_3", "Outcome_4"])["Score"].rename("Score_B")步骤 2：用 pd.merge 实现笛卡尔积（无需显式 product）
# 创建全组合索引：通过交叉 merge 两个 MultiIndex
idx_a = df_a.index.to_frame().assign(key=1)
idx_b = df_b.index.to_frame().assign(key=1)
cartesian = pd.merge(idx_a, idx_b, on="key").drop("key", axis=1)
# 合并得分（自动对齐索引）
result = cartesian.join(df_a, on=["Outcome_1", "Outcome_2"])
result = result.join(df_b, on=["Outcome_3", "Outcome_4"])
# 计算总分
result["Score"] = result["Score_A"] + result["Score_B"]
result = result[["Outcome_1", "Outcome_2", "Outcome_3", "Outcome_4", "Score"]].reset_index(drop=True)
# 补充玩家列
result.insert(0, "Player_1", p1)
result.insert(1, "Player_2", p2)
result.insert(2, "Player_3", p3)
result.insert(3, "Player_4", p4)✅ 输出即为所求的 16 行完整组合表（与参考答案一致），且全程未使用 for 循环或 itertools。
⚠️ 注意事项与扩展建议
- 健壮性保障：实际应用中应校验 df_a 和 df_b 是否覆盖全部 4 种 (Outcome_1, Outcome_2) 组合（即 len(df_a) == 4），缺失项可用 .reindex(..., fill_value=0) 补零。
- 泛化至 N 组：若需支持动态分组（如 [P1,P2], [P3,P4], [P5,P6]），可封装为函数，接受分组列表 groups = [("P1","P2"), ("P3","P4")]，再用 functools.reduce(pd.merge, ...) 连续合并。
- 性能优化：对于超大规模数据，优先使用 df.set_index(...).unstack() 将结果转为二维矩阵，再用 np.add.outer 实现 O(n²) 广播加法，比 merge 更快。
- 语义清晰性：相比嵌套循环，本方案将逻辑显式分离为「子组构建 → 索引对齐 → 向量加法」，大幅增强可测试性与调试效率。
总结：Pandas 的强大之处不仅在于统计聚合，更在于其索引对齐机制天然支持高维组合运算。善用 set_index、join 和 merge 的笛卡尔能力，配合明确的分组语义，即可在零循环前提下优雅解决复杂组合建模问题。
