Pandas

Question

我有一个这样的数据框：

Name_A ¦  date1 ¦ 1

Name_A ¦  date2 ¦ 0 

Name_A ¦  date3 ¦ 1

Name_A ¦  date4 ¦ 1

Name_A ¦  date5 ¦ 1

Name_B ¦  date6 ¦ 1

Name_B ¦  date7 ¦ 1

Name_B ¦  date8 ¦ 0

Name_B ¦  date9 ¦ 1

我想得到这个：

Name_A ¦ date1 ¦ 1  

Name_A ¦ date2 ¦ 0  

Name_A ¦ date3 ¦ 1  

Name_A ¦ date4 ¦ 2 

Name_A ¦ date5 ¦ 3

Name_B ¦ date6 ¦ 1

Name_B ¦ date7 ¦ 2

Name_B ¦ date8 ¦ 0

Name_B ¦ date9 ¦ 1

基本上我想得到连续1的累加和。如果名字变了或者出现了0，就应该重新从0开始计数。

有ideas/suggestions吗？谢谢

Answer 1

我像这样重建了你的数据：

import pandas as pd

df = pd.DataFrame(
    {'col1': ['Name_A'] * 5 + ['Name_B'] * 4,
     'col2': ['date{}'.format(x) for x in list(range(1,10,1))],
     'col3': [1,0,1,1,1,1,1,0,1]})

对于您建议的那种分组，我喜欢使用 itertools.groupby 而不是 pd.groupby，这样我就可以明确说明您指定的两个条件（名称更改和值为 0列）：

from itertools import groupby

groups = []
uniquekeys = []
for k, g in groupby(df.iterrows(), 
                    lambda row: (row[1]['col1'], row[1]['col3'] == 0)):
    groups.append(list(g))
    uniquekeys.append(k)

现在正确的组已经存在，剩下的就是迭代然后计算累计和：

cumsum = pd.concat([pd.Series([y[1]['col3'] for y in x]).cumsum() for x in groups])

df['cumsum'] = list(cumsum)

结果：

    col1    col2    col3    cumsum
0   Name_A  date1   1       1
1   Name_A  date2   0       0
2   Name_A  date3   1       1
3   Name_A  date4   1       2
4   Name_A  date5   1       3
5   Name_B  date6   1       1
6   Name_B  date7   1       2
7   Name_B  date8   0       0
8   Name_B  date9   1       1

作为参考，请参阅有关 itertools.groupby here 的详细解释。

Answer 2

这是一个不需要显式循环的矢量化解决方案：

df = pd.DataFrame.from_dict({'name': list('AAAAABBBB'), 'bit': (1,0,1,1,1,1,1,0,1)})
>>> df
   bit name
0    1    A
1    0    A
2    1    A
3    1    A
4    1    A
5    1    B
6    1    B
7    0    B
8    1    B
>>> reset = (df['bit'] == 0) | (df['name'] != df['name'].shift(1))
>>> reset, = np.where(np.concatenate([reset, [True]]))
>>> df['count'] = np.arange(reset[-1]) + (df['bit'].values[reset[:-1]]-reset[:-1]).repeat(np.diff(reset))
>>> df
   bit name  count
0    1    A      1
1    0    A      0
2    1    A      1
3    1    A      2
4    1    A      3
5    1    B      1
6    1    B      2
7    0    B      0
8    1    B      1

Answer 3

这是我自己的看法：

In [145]: group_ids = df[2].diff().ne(0).cumsum()

In [146]: df["count"] = df[2].groupby([df[0], group_ids]).cumsum()

In [147]: df
Out[147]: 
        0      1  2  count
0  Name_A  date1  1      1
1  Name_A  date2  0      0
2  Name_A  date3  1      1
3  Name_A  date4  1      2
4  Name_A  date5  1      3
5  Name_B  date6  1      1
6  Name_B  date7  1      2
7  Name_B  date8  0      0
8  Name_B  date9  1      1

这使用 compare-cumsum-groupby 模式来查找连续的组，因为只要值与前一个值不同，df[2].diff().ne(0) 就会给我们一个 True，并且这些值的累积和给我们每当新的一组 1 开始时，一个新数字。

这意味着我们对于跨不同名称的二进制值具有相同的 group_id，当然，但是因为我们在 both df[0] 上分组（名字）和 group_ids，我们没事。

Pandas - 连续的累计和

Pandas - Cumulative sum of consecutive ones

python

group-by

cumulative-sum