Question

我有一些看起来像这样的东西。我该怎么做：

    0             d
0   The         DT
1   Skoll       ORGANIZATION
2   Foundation  ORGANIZATION
3   ,           ,
4   based       VBN
5   in          IN
6   Silicon     LOCATION
7   Valley      LOCATION

到此：

    0                       d
0   The                     DT
1   Skoll Foundation        ORGANIZATION
3   ,                       ,
4   based                   VBN
5   in                      IN
6   Silicon Valley          LOCATION

Answer 1

@ rfan的答案当然有效，作为替代方案，这是一种使用pandas groupby的方法。

.groupby()按“b”列对数据进行分组 - sort=False是保持订单完整所必需的。 .apply()将一个函数应用于每组b数据，在这种情况下，将字符串连接在一起，用空格分隔。

In [67]: df.groupby('b', sort=False)['a'].apply(' '.join)
Out[67]: 

b
DT                       The
Org         Skoll Foundation
,                          ,
VBN                    based
IN                        in
Location      Silicon Valley
Name: a, dtype: object

编辑：

要处理更一般的情况（重复的非连续值） - 一种方法是首先添加一个跟踪每列适用于哪一组连续数据的标记列，如下所示：

df['key'] = (df['b'] != df['b'].shift(1)).astype(int).cumsum()

然后将密钥添加到groupby中，即使重复值也应该有效。例如，使用带有重复的虚拟数据：

df = DataFrame({'a': ['The', 'Skoll', 'Foundation', ',', 
                      'based', 'in', 'Silicon', 'Valley', 'A', 'Foundation'], 
                'b': ['DT', 'Org', 'Org', ',', 'VBN', 'IN', 
                      'Location', 'Location', 'Org', 'Org']})

应用groupby：

In [897]: df.groupby(['key', 'b'])['a'].apply(' '.join)
Out[897]: 
key  b       
1    DT                       The
2    Org         Skoll Foundation
3    ,                          ,
4    VBN                    based
5    IN                        in
6    Location      Silicon Valley
7    Org             A Foundation
Name: a, dtype: object

Answer 2

我实际上认为@chrisb的groupby解决方案更好，但你需要创建另一个groupby键变量来跟踪非连续重复值（如果那些可能存在）。尽管如此，这对于较小的问题来说是快速而肮脏的。

我认为这种情况下使用基本迭代器更容易，而不是尝试使用pandas函数。我可以想象使用groupby的情况，但如果第二个变量重复，似乎很难保持连续条件。

这可以清理，但样本：

df = DataFrame({'a': ['The', 'Skoll', 'Foundation', ',', 
                      'based', 'in', 'Silicon', 'Valley'], 
                'b': ['DT', 'Org', 'Org', ',', 'VBN', 'IN', 
                      'Location', 'Location']})

# Initialize result lists with the first row of df
result1 = [df['a'][0]]  
result2 = [df['b'][0]]

# Use zip() to iterate over the two columns of df simultaneously,
# making sure to skip the first row which is already added
for a, b in zip(df['a'][1:], df['b'][1:]):
    if b == result2[-1]:        # If b matches the last value in result2,
        result1[-1] += " " + a  # add a to the last value of result1
    else:  # Otherwise add a new row with the values
        result1.append(a)
        result2.append(b)

# Create a new dataframe using these result lists
df = DataFrame({'a': result1, 'b': result2})

使用相同的列值组合连续行

2 个答案: