使用 python 为组中的每个元素添加一个序列号

Question

我有一个数据框，每个人都有多个记录。我想为python中的每个人枚举序列中的记录。本质上，我想在以下 table:

中创建 'sequence' 列

patient  date      sequence
145      20Jun2009        1
145      24Jun2009        2
145      15Jul2009        3
582      09Feb2008        1
582      21Feb2008        2
987      14Mar2010        1
987      02May2010        2
987      12May2010        3

这与 here 本质上是同一个问题，但我在 python 工作，无法实施 sql 解决方案。我怀疑我可以使用带有可迭代计数的 groupby 语句，但到目前为止还没有成功。谢谢！

Answer 1

问题是如何对多列数据进行排序。

一个简单的技巧是对 sorted 函数使用 key 参数。

您将按从数组列构建的字符串进行排序。

rows = ...# your source data

def date_to_sortable_string(date):
  # use datetime package to convert string to sortable date.
  pass

# Assume x[0] === patient_id and x[1] === encounter date

# Sort by patient_id and date
rows_sorted = sorted(rows, key=lambda x: "%0.5d-%s" % (x[0], date_to_sortable_string(x[1])))

for row in rows_sorted:
  print row

Answer 2

我偶然发现了简单得令人尴尬的答案。 groupby 语句有一个 'cumcount()' 选项，它将枚举组项目。

df['sequence']=df.groupby('patient').cumcount()

需要注意的是，记录必须按照您希望的顺序排列。

Answer 3

首先，您想将日期列转换为 pandas 日期时间（而不是字符串）：

In [11]: pd.to_datetime(df['date'], format='%d%b%Y')
Out[11]:
0   2009-06-20
1   2009-06-24
2   2009-07-15
3   2008-02-09
4   2008-02-21
5   2010-03-14
6   2010-05-02
7   2010-05-12
Name: date, dtype: datetime64[ns]

注意：请参阅 docs 了解可能的格式选项。

In [12]: df['date'] = pd.to_datetime(df['date'], format='%d%b%Y')

In [13]: df
Out[13]:
   patient       date  sequence
0      145 2009-06-20         1
1      145 2009-06-24         2
2      145 2009-07-15         3
3      582 2008-02-09         1
4      582 2008-02-21         2
5      987 2010-03-14         1
6      987 2010-05-02         2
7      987 2010-05-12         3

如果这不是按日期顺序（对于每个患者），我会先排序：

In [14]: df = df.sort('date')

现在你可以 groupby 和 cumcount:

In [15]: g = df.groupby('patient')

In [16]: g.cumcount() + 1
Out[16]:
2    1
3    2
0    1
1    2
4    1
5    2
6    3
dtype: int64

你想要哪个（尽管它有问题）：

In [17]: df['sequence'] = g.cumcount() + 1

In [18]: df
Out[18]:
       patient       date  sequence
2      582 2008-02-09         1
3      582 2008-02-21         2
0      145 2009-06-24         1
1      145 2009-07-15         2
4      987 2010-03-14         1
5      987 2010-05-02         2
6      987 2010-05-12         3

要重新排列（尽管您可能不需要）使用 sort_index（或者如果我们保存了初始 DataFrame 的索引，我们可以重新索引）：*

In [19]: df.sort_index()
Out[19]:
   patient       date  sequence
0      145 2009-06-24         1
1      145 2009-07-15         2
2      582 2008-02-09         1
3      582 2008-02-21         2
4      987 2010-03-14         1
5      987 2010-05-02         2
6      987 2010-05-12         3

Answer 4

这将从 1 而不是 0 开始排序。

df['sequence']=df.groupby('patient').cumcount()+1

使用 python 为组中的每个元素添加一个序列号

Add a sequence number to each element in a group using python

python

database

grouping

count

pandas