我有一个 df
data = [[1, 10], [1, 5], [1, 4], [0, 3], [0, 3], [1, 2], [1, 1], [1, 5], [2, 8], [4, 9]]
df = pd.DataFrame(data, columns = ['no', 'count'])
将值打印为,
no count
1 10
1 5
1 4
0 3
0 3
1 2
1 1
1 5
2 8
4 9
预期输出: (10-3) = 7 和 (2-8) = -6
7
-6
总和是,
1
答案 0 :(得分:2)
这是一种方法:
>>> vals = df.groupby(df.no.eq(1).diff().ne(0).cumsum())["count"].first()
>>> result = (vals * (-1) ** np.arange(len(vals))).sum()
>>> result
1
我们首先将连续的组分组为 1 或不为 1 并取其中的第一个值。然后为了给值加上交替符号,我们使用 (-1)
对 0..N-1
的幂。然后我们对乘法求和。
vals
顺便说一下:
1 10
2 3
3 2
4 8
不乘以 -1 的幂的替代方法:
vals = df.groupby(df.no.eq(1).diff().ne(0).cumsum())["count"].first().to_numpy()
result = (vals[::2] - vals[1::2]).sum()
我们从偶数索引值中减去奇数索引值。
另一种基于 itertools.groupby
的替代方案,具有 1 次传递数据:
from itertools import groupby
from operator import itemgetter
iterable = enumerate(groupby(zip(df["no"].eq(1), df["count"]), key=itemgetter(0)))
result = sum((1-2*(j&1)) * next(gr)[1] for j, (_, gr) in iterable)
使用枚举和 j
的奇偶校验即时确定符号。但不那么可读。
答案 1 :(得分:2)
groupby df['no'].eq(1)
(m
) 和 m.ne(m.shift()).cumsum()
的另一种方法:
m = df['no'].eq(1)
g = (
df.groupby([m, m.ne(m.shift()).cumsum()])['count'].first()
)
no no
False 2 3
4 8
True 1 10
3 2
Name: count, dtype: int64
然后从 True
no 中减去 False
no:
g.loc[True].values - g.loc[False].values
[ 7 -6]
和sum
:
(g.loc[True].values - g.loc[False].values).sum()
1