您可以用途：

g = df["my_column"].ne(df["my_column"].shift()).cumsum()

out = df.groupby(g)["my_column"].transform("count")

输出：

print(out)
​
    my_column
0           2
1           2
2           3
3           3
4           3
5           4
6           4
7           4
8           4
9           2
10          2
11          1

注意：要获得最大值，请使用df.groupby(g)["other_value"].transform("max")。

如果检查linked answer，则存在通过连续值进行分组的确切方法：

(y != y.shift()).cumsum()

因此，如果创建每列my_column的连续组，则输出为：

g = df["my_column"].ne(df["my_column"].shift()).cumsum()

print (g)
0     1
1     1
2     2
3     2
4     2
5     3
6     3
7     3
8     3
9     4
10    4
11    5
Name: my_column, dtype: int32

可以将GroupBy.transform和GroupBy.size用于每组计数值
如有必要，一列DataFrame加上Series.to_frame。

• 注意：DataFrameGroupBy.count用于忽略缺失值的计数值，这里工作，因为没有NaN s*

df1 = df.groupby(g)['my_column'].transform('size').to_frame()
print (df1)
    my_column
0           2
1           2
2           3
3           3
4           3
5           4
6           4
7           4
8           4
9           2
10          2
11          1

或者Series.map与Series.value_counts：

df1 = g.map(g.value_counts()).to_frame()
print (df1)
    my_column
0           2
1           2
2           3
3           3
4           3
5           4
6           4
7           4
8           4
9           2
10          2
11          1

第二种解决方案类似：

g = df["my_column"].ne(df["my_column"].shift()).cumsum()

df1 = df.groupby(g)['other_value'].transform('max').to_frame(name='result')
print (df1)
    result
0        7
1        7
2        5
3        5
4        5
5        8
6        8
7        8
8        8
9        1
10       1
11       2