如何将重复模式分类？

Question

在我的数据框中，我有一个字段，该字段显示超时订购的产品的状态。可以是“新建”，“已取消”，“已填充”或“部分”。我总结了记录的每个Order（Orderid）的模式，并对可能发生的不同模式进行了计数。但是，这导致了超过1385种不同的模式。现在，我想将这些模式压缩到箱中，例如，如果订单状态为：“新建”，“新建”，“已取消”，“新建”，“已填充”，则将压缩为：“新建”，“已取消”，“新建”，“已填充”。

这将与以下格式放在同一容器中：新建，新建，新建，已取消，已取消，新建，新建，已填充。

原始数据如下所示：

按每个OrderID分组一次：

为了查看数据中存在的OrderStatus模式，应用了以下代码：

def status_transition_with_timestamp(each_grouped_df):
    sorted_df = each_grouped_df.sort_values('timestamp', ascending=True)
    concatenated_transition = ','.join(sorted_df['ostatus'])
    return concatenated_transition

result = df_grouped['ostatus'].agg(status_transition_with_timestamp)

result.groupby('ostatus').count()

结果：Output of counts

Answer 1

要删除连续的重复项，请使用itertools.groupby：

from itertools import groupby
df['ostatus'] = df['ostatus'].apply(lambda x: ','.join([x for x, _ in groupby(x.split(','))]))

然后您将拥有唯一的序列，并且可以执行聚合。

示例：

df = pd.DataFrame({'Status': ['New,New,Cancelled', 'New,Cancelled', 'Cancelled,New,Cancelled,New']})
df
#                        Status
#0            New,New,Cancelled
#1                New,Cancelled
#2  Cancelled,New,Cancelled,New

df['Status'] = df['Status'].apply(lambda x: ','.join([x for x, _ in groupby(x.split(','))]))
df
#                        Status
#0                New,Cancelled
#1                New,Cancelled
#2  Cancelled,New,Cancelled,New