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。
答案 0 :(得分:0)
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
答案 1 :(得分:0)
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