
本文介绍如何使用 Pandas 的 groupby().cumcount() 配合时间排序,为重复出现的动物 ID 生成递增的序号列(如“第1次入舍”“第2次入舍”),精准支持多阶段收容数据的关联分析。
本文介绍如何使用 pandas 的 `groupby().cumcount()` 配合时间排序,为重复出现的动物 id 生成递增的序号列(如“第1次入舍”“第2次入舍”),精准支持多阶段收容数据的关联分析。
在动物收容所等时序性较强的业务场景中,同一动物 ID 往往对应多次独立的入舍(intake)或离舍(outcome)记录。若直接按 Animal ID 关联两个数据集,会导致错配(例如将某动物第1次入舍与第2次离舍错误匹配)。解决这一问题的关键,是为每条记录打上按时间顺序排列的访问序号——即“这是该动物第几次出现在本数据集中”。
实现该目标的核心方法是:先确保数据按时间有序,再按 Animal ID 分组进行累计计数。Pandas 提供了简洁高效的解决方案:
import pandas as pd
# 示例数据(已按原始时间顺序提供,但需显式转换和排序)
df = pd.DataFrame({
'Animal ID': [1, 2, 1, 3, 2],
'Intake Date': [
'12/07/2017 02:07:00 PM',
'12/08/2017 01:10:00 PM',
'01/06/2018 12:03:00 PM',
'01/07/2018 01:10:00 PM',
'01/08/2018 04:15:00 PM'
]
})
# 步骤1:将日期字符串转为 datetime 类型(必须!)
df['Intake Date'] = pd.to_datetime(df['Intake Date'])
# 步骤2:按 Animal ID 和 Intake Date 双重排序(关键!)
# 确保同一动物的所有记录按发生时间升序排列
df = df.sort_values(by=['Animal ID', 'Intake Date']).reset_index(drop=True)
# 步骤3:分组累计计数 + 1 → 生成从1开始的序号列
df['Shelter Visits'] = df.groupby('Animal ID').cumcount() + 1
print(df)输出结果:
Animal ID Intake Date Shelter Visits 0 1 2017-12-07 14:07:00 1 1 1 2018-01-06 12:03:00 2 2 2 2017-12-08 13:10:00 1 3 2 2018-01-08 16:15:00 2 4 3 2018-01-07 13:10:00 1
✅ 关键注意事项:
-
日期类型转换不可省略:
pd.to_datetime()是保证时间正确排序的前提;若保留字符串格式,排序将按字典序而非真实时间进行(如'01/01/2020' 会误判)。 -
双重排序至关重要:仅按
Intake Date排序无法保证同动物记录连续;仅按Animal ID排序则无法保障时间先后。必须sort_values(['Animal ID', 'Intake Date'])。 -
cumcount()返回 0-based 序列:因此需+ 1转为自然语言习惯的“第1次、第2次…”。 -
适用于 intake/outcome 两个数据集:对两表分别执行相同逻辑后,即可用
['Animal ID', 'Shelter Visits']作为联合键精准 merge,避免跨周期错连。
该方法高效、可读性强,且完全向量化,无需循环或 apply,是处理重复实体时序标识的标准实践。

















