Question

我是python熊猫的新手，在任何较旧的文章中都找不到解决我问题的答案。

我有一个简单的数据框，看起来像这样：

dfA ={'stop':[1,2,3,4,5,1610,1611,1612,1613,1614,2915,...]
      'seq':[B, B, D, A, C, C, A, B, A, C, A,...] }

现在，我要合并每个组中的'seq'值，其中'stop'中的下一个值和上一个值之间的差等于1。当该差很高时（例如5和1610），下一个是群集开始，依此类推。

我需要将每个群集中的所有值写入单独的行：

0 BBDAC   #join'stop' cluster 1-5  
1 CABAC   #join'stop' cluster 1610-1614

2 A....   #join'stop' cluster 2015 - ...
etc...

我当前的代码得到的是：

True   BDACABAC...
False  BCA...

针对整个巨大的数据框。

我了解将其合并的逻辑，这种逻辑满足了我指定的条件（不完美，集群边缘松散），但是如果我能将其加入并以某种方式正确地分成多个集群，我将无所适从，并非数据框的所有行。

请在下面查看我的代码：

dfB = dfA.groupby((dfA.stop - dfA.stop.shift(1) == 1))['seq'].apply(lambda x: ''.join(x)).reset_index()

请帮助。

P.S。我也尝试过使用diff（）进行各种组合，但这都没有帮助。我不确定groupby是否也适用于此解决方案。请指教！

dfC = dfA.groupby((dfA['stop'].diff(periods=1)))['seq'].apply(lambda x: ''.join(x)).reset_index()

这以某种方式将数据帧分成了类似簇的较小块，但我不了解其实现方式背后的传统，而且我知道结果没有意义，也不是我想要得到的。

Answer 1

我认为您需要创建助手Series进行分组：

g = dfA['stop'].diff().ne(1).cumsum()
dfC = dfA.groupby(g)['seq'].apply(''.join).reset_index()
print (dfC)
   stop    seq
0     1  BBDAC
1     2  CABAC
2     3      A

详细信息：

首先通过diff获得差异：

print (dfA['stop'].diff())
0        NaN
1        1.0
2        1.0
3        1.0
4        1.0
5     1605.0
6        1.0
7        1.0
8        1.0
9        1.0
10    1301.0
Name: stop, dtype: float64

用ne (!=)比较组的第一个值：

print (dfA['stop'].diff().ne(1))
0      True
1     False
2     False
3     False
4     False
5      True
6     False
7     False
8     False
9     False
10     True
Name: stop, dtype: bool

Asn上次通过cumsum创建组：

print (dfA['stop'].diff().ne(1).cumsum())
0     1
1     1
2     1
3     1
4     1
5     2
6     2
7     2
8     2
9     2
10    3
Name: stop, dtype: int32

Answer 2

我只是想通了。我设法将“停止”的值四舍五入到最接近的100，并将其分配为新列。然后我之前的代码正在工作。不过，非常感谢您的快速回答。

dfA ['new_val'] =（dfA ['stop'] / 100）.astype（int）* 100

Python Pandas groupby并加入

2 个答案: