在尝试@Scott Boston 答案后，对于 1.8m 记录 df，第一行
df_out = pd.concat([pd.DataFrame(index=pd.date_range(df.iloc[i].stdt,df.iloc[i].enddt)).assign(**df.iloc[i,0:3]) for i in pd.np.arange(df.shape[0])]).reset_index()
1小时后仍在运行，并慢慢侵蚀记忆。所以我想我会尝试以下操作：
def reindex_by_date(df):
dates = pd.date_range(df.index.min(), df.index.max())
return df.reindex(dates)
def replace_last_0(group):
group.loc[max(group.index),'change']=0
return group
def ctidloop(partdf):
coid=partdf.cid.max()
cols=['cid', 'stdt', 'enddt']
partdf=partdf[cols]
partdf['jid']=partdf.index
partdf = pd.melt(partdf, id_vars=['ctid', 'jid'],var_name='change', value_name='newdate')
partdf['change'] = partdf['change'].replace({'stdt': 1, 'enddt': -1})
partdf.newdate=pd.DatetimeIndex(partdf['newdate'])
partdf=partdf.groupby(['ctid', 'newdate'],as_index=False)['change'].sum()
partdf=partdf.groupby('ctid').apply(replace_last_0).reset_index(drop=True)
partdf['cnt'] = partdf.groupby('ctid')['change'].cumsum()
partdf.index=partdf['newdate']
cols=['ctid', 'change', 'cnt', 'newdate']
partdf=partdf[cols]
partdf=partdf.groupby('ctid').apply(reindex_by_date).reset_index(0, drop=True)
partdf['newdate']=partdf.index
partdf['ctid']=partdf['ctid'].fillna(method='ffill')
partdf.cnt=partdf.cnt.fillna(method='ffill')
partdf.change=partdf.change.fillna(0)
partdf['cid']=coid
return partdf
gb=df.groupby('cid').apply(ctidloop)
此代码返回正确的结果：
%timeit gb=df.groupby('cid').apply(ctidloop)
1 loop, best of 3: 9.74 s per loop
解释：
基本上，melt非常快。所以我想打破第一个groupby分组并对其运行函数。所以这段代码采用df, then groupsby the cid and apply功能cidloop.
In the cidloop，按行发生以下情况：
1）抓住cid以供将来使用。
2,3）建立核心partdf通过分配所需的列进行处理
4）创建jid从索引
5）运行pd.melt它通过为每个数据框创建一行来展平数据框jid for stdt and enddt。
6）创建一个'change'将+1分配给的列stdt，和 -1 到enddt。
7) 使newdate a datetimeindex（只是更容易进一步处理）
8）对我们所拥有的进行分组ctid and newdate，总结change9) 分组依据ctid再次，用 0 替换最后一个值（这只是我需要的，而不是特定于问题的）
10) 创造cnt按组按ctid and cumsumming改变
11) 生成新的索引newdate12,13) 格式化列/名称
14) 另一个groupbyctid但按高日期和低日期重新索引，填补空白。
15) 分配newdate从新的reindex价值观
16,17,18）填充各种值以填补空白（我需要此增强功能）
19) 分配cid再次从顶部变量coid聚集在1号线。
对每个都执行此操作cid通过最后一行代码gb=df.groupby.....
感谢@Scott Boston 的尝试。当然它有效，但对我来说花了太长时间。
感谢@DSM 的解决方案HERE这是我解决方案的基础。
