如何对数据帧进行分组并汇总 Python 中连续数字的子组？

Question

我有一个数据框，其中一列包含 ID，另一列包含数字：

df1 = {'ID':[400, 400, 400, 400, 400, 400, 500, 500, 500, 500], 
      'Number':[1, 2, 3, 4, 8, 9, 22, 23, 26, 27]}

您可能会注意到，每个 Id 在 "Number" 列中都有其对应的一系列连续数字。例如：

Id 400 包含一系列长度为 4 {1, 2, 3, 4} 和另一个长度为 2 {8, 9}

我想为每个 Id 获取其对应系列的平均长度。 在这个例子中：

df2 = {'ID':[400, 500], 'avg_length':[3, 2]}

任何想法将不胜感激！

Answer 1

这是一种方法，使用两次groupby，

df1['tmp'] = (df1.Number - df1.Number.shift() > 1).cumsum()

df1.groupby(['ID', 'tmp']).Number.count().groupby(level = 0).mean().reset_index(name = 'avg_length')

2.29 ms ± 75.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

    ID  avg_length
0   400 3
1   500 2

选项 2：不使用两次应用，仍然使用之前创建的 tmp 列

df1.groupby('ID').tmp.apply(lambda x: x.value_counts().mean()).reset_index(name = 'avg_length')

2.25 ms ± 99.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Answer 2

groupby + cumsum + value_counts

您可以将 groupby 与自定义函数一起使用：

df = pd.DataFrame({'ID':[400, 400, 400, 400, 400, 400, 500, 500, 500, 500], 
                   'Number':[1, 2, 3, 4, 8, 9, 22, 23, 26, 27]})

def mean_count(x):
    return (x - x.shift()).ne(1).cumsum().value_counts().mean()

res = df.groupby('ID')['Number'].apply(mean_count).reset_index()

print(res)

    ID  Number
0  400     3.0
1  500     2.0