本文介绍如何使用 pandas 高效统计每个用户在无序配对（如学生-评审员）中涉及的唯一联系人数量，自动将 (a,b) 和 (b,a) 视为同一关系，并汇总每人对应的去重联系人数。
在实际数据分析中，常遇到“对称关系”场景：例如师生互评、社交关注、协作配对等，其中 (student_login, reviewer_login) 与 (reviewer_login, student_login) 本质是同一组双向交互，不应重复计数。目标是为每个登录名（无论其角色）统计其唯一关联对象的数量——即该用户作为任一角色出现时，共与多少个不同用户组成过无序配对。
解决思路分为三步：
- 统一视角：将原始表中每行视为一条有向边（student → reviewer），再显式添加反向边（reviewer → student），使所有关系变为双向可访问；
- 标准化键名：将两列重命名为统一语义字段（如 ‘login’ 和 ‘unique_contacts’），便于后续聚合；
- 分组去重统计：按用户登录名分组，对其关联对象列调用 .nunique()，确保每个联系人仅计一次。
以下是完整实现代码：
import pandas as pd
# 构造示例数据
data = {
'student_login': ['login_1', 'login_2', 'login_1', 'login_2'],
'reviewer_login': ['login_2', 'login_1', 'login_3', 'login_3']
}
df = pd.DataFrame(data)
# 核心处理：合并正向 + 反向记录，并重命名列以统一语义
cols = ['login', 'unique_contacts']
forward = df.set_axis(cols, axis=1) # student→reviewer 映射为 login→unique_contacts
backward = df.set_axis(cols[::-1], axis=1) # reviewer→student 映射为 unique_contacts→login（再经groupby翻转）
combined = pd.concat([forward, backward], ignore_index=True)
result = combined.groupby('login', as_index=False)['unique_contacts'].nunique()
print(result)
输出：
