Question

我使用循环神经网络来消耗时间序列事件（点击流）。我的数据需要格式化，以便每行包含id的所有事件。我的数据是单热编码的，我已经用id对它进行了分组。另外，我限制每个id的事件总数（例如2），因此最终宽度将始终是已知的（＃one-hot cols x #events）。我需要保持事件的顺序，因为它们是按时间排序的。

当前数据状态：

     id   page.A   page.B   page.C      
0   001        0        1        0
1   001        1        0        0
2   002        0        0        1
3   002        1        0        0

必需的数据状态：

     id   page.A1   page.B1   page.C1   page.A2   page.B2   page.C2      
0   001        0         1         0         1         0         0
1   002        0         0         1         1         0         1

这看起来像pivot问题，但我生成的数据帧不符合我需要的格式。关于如何处理这个问题的任何建议？

Answer 1

这里的想法是reset_index在'id'的每个组中，以计算我们所在的那个特定'id'的哪一行。然后使用unstack和sort_index进行跟进，以获取它们应该位于的列。

最后，展平多指数。

df1 = df.set_index('id').groupby(level=0) \
    .apply(lambda df: df.reset_index(drop=True)) \
    .unstack().sort_index(axis=1, level=1)  # Thx @jezrael for sort reminder

df1.columns = ['{}{}'.format(x[0], int(x[1]) + 1) for x in df1.columns]

df1

Answer 2

您可以先使用cumcount为新列名创建新列，然后set_index和unstack。然后，您需要按sort_index对1级别的列进行排序，从MultiIndex和reset_index的列中删除list comprehension：

df['g'] = (df.groupby('id').cumcount() + 1).astype(str)

df1 = df.set_index(['id','g']).unstack()
df1.sort_index(axis=1,level=1, inplace=True)
df1.columns = [''.join(col) for col in df1.columns]
df1.reset_index(inplace=True)
print (df1)
   id  page.A1  page.B1  page.C1  page.A2  page.B2  page.C2
0   1        0        1        0        1        0        0
1   2        0        0        1        1        0        0

使用Pandas将多个时间序列行合并为一行

2 个答案: