Question

我有一个数据框：

  ColA  ColB

0   A    1/2/2020 
1   A    1/3/2020       
2   A    1/4/2020
3   A    1/10/2020 
4   B    1/3/2020
5   B    1/19/2020
6   C    1/2/2020
7   C    1/7/2020 
8   D    1/8/2020

现在，我想在colA中找出系列的名称，该系列在colB中连续三天。

输出：

答案为A，因为它在1/2/2020中有1/3/2020，1/4/2020和colB。

Answer 1

一般方法如下：

# 1. To make sure the dates are sorted
df = df.sort_values(["ColA", "ColB"])

# 2. Standardize the dates by offseting them
df["ColB_std"] = df["ColB"] - pd.to_timedelta(range(df.shape[0]), 'day')

# 3. Counting each instance of ColA and standardized date
s = df.groupby(["ColA", "ColB_std"])["ColB_std"].count()

# 4. Getting elements from ColA that have at least 1 sequence of at least length 3
colA = s[ s >= 3 ].index.get_level_values(0).unique().values

# 5. Filtering the dataframe
df[ df["ColA"].isin(colA) ]

您希望ColA连续3个日期。或者，您可以像想要ColA那样date，date + 1 day和date + 2 days的序列来思考它。通过按ColA和ColB （1）对数据框进行排序，我们知道在要检查的情况下，date + 1 day将始终跟随date，而date + 2 days将是那个。

通过此操作，您可以通过删除n天对应于其行的日期来标准化日期。因此，date，date + 1 day和date + 2 days的序列变为date，date和date （2）。

现在我们已经将日期列标准化了，我们只需要计算每对('ColA', 'ColB_std')存在多少个元素（3），从ColA中获得计数3个或更多（4），并过滤数据框（5）。

但是，这不支持重复的('ColA', 'ColB')对，因为您首先需要这样做：

df2 = df.drop_duplicates(["ColA", "ColB"])

在步骤1、2、3和4中继续使用此df2，最后在步骤5中过滤真实的df。

以前，我回答过您也可以这样做：

# To make sure the dates are sorted
df = df.sort_values(["ColA", "ColB"])

# Calculating the difference between dates inside each group
s = df.groupby("ColA")["ColB"].diff().dt.days

# Filtering the dataframe
df[ ((s == 1) & (s.shift(1) == 1)).groupby(df["ColA"]).transform("any") ]

这个想法是，在s中，差异始终在前一个日期和当前日期之间。但是，这不能确保有3个连续的日期，只有2个。通过将序列移位1，可以确保当前的日期和前一个日期是1 [{(s == 1) & (s.shift(1) == 1)]。

此后，我只是groupby(df["ColA"])，并使用transform("any")检查组中是否有任何元素。

在熊猫数据框中查找连续的日子

1 个答案: