我的数据混乱无序。
store_id period_id sales_volume
0 4186684 226 1004.60
1 5219836 226 989.00
2 4185865 226 827.45
3 4186186 226 708.40
4 4523929 226 690.75
5 4186441 226 592.55
... ... ... ...
846960 11710234 195 0.60
846961 11693671 236 0.60
846962 27105667 212 0.60
846963 11693725 201 0.60
846964 27078031 234 0.60
846965 11663800 231 0.60
在period_id列中，这些值仅在连续进行时指示该过程持续了多长时间，一旦序列中断，这意味着新的时期已经开始。周期的这种表示形式与每个store_id相关。
由于无法按顺序对数据进行排序，因此在下面以示例的形式进行展示：
store_id period_id sales_volume
0 4168621 208 1004.60
1 4168621 209 989.00 #end of period
2 4168621 211 827.45
3 4168621 212 708.40
4 4168621 213 690.75
5 4168621 214 592.55 #end of period
6 41685 208 4634
7 41685 209 3356563 #end of period
我已将值按store_id分组：
df.groupby('store_id').agg(lambda x: x.tolist())
并收到
store_id sales_volume period_id
4168621 [226, 202, 199, 204, 224, 193 ... [27.45,10.0,8.15,7.6, ...
4168624 [226, 216, 215, 225, 214, 217 ... [429.8, 131.35,92.0 ...
4168636 [226, 217, 238, 223, 234, 240, ... [33.30, 9.3, 6.4, ...
4168639 [226, 204, 211, 208, 232, 207, ... [19.3,8.05, 6.5, 6.4, ...
... ... ...
事实证明，我需要以某种方式对period_id中的值进行排序，以便计算出每个store_id产生的序列数，如代码2所示。它显示3序列
不知道我该怎么做...
答案 0 :(得分：0)
如果只需要在每个period_id中按store_id进行排序，则可以使用df.sort_values。使用示例数据框作为输入：
df.sort_values(['store_id', 'period_id']).reset_index(drop=True)
df
store_id period_id sales_volume
0 41685 208 4634.00
1 41685 209 3356563.00
2 4168621 208 1004.60
3 4168621 209 989.00
4 4168621 211 827.45
5 4168621 212 708.40
6 4168621 213 690.75
7 4168621 214 592.55
如果要检测每个时间段（例如，然后按时间段分组），这是一种方法：
df['period_group'] = df['period_id'].diff().fillna(1).ne(1).astype(int).cumsum()
df
store_id period_id sales_volume period_group
0 4168621 208 1004.60 0
1 4168621 209 989.00 0
2 4168621 211 827.45 1
3 4168621 212 708.40 1
4 4168621 213 690.75 1
5 4168621 214 592.55 1
6 41685 208 4634.00 2
7 41685 209 3356563.00 2
然后您可以按此新列period_group进行分组，以分析连续期间ID的“运行”。