Python 确定栅格中连续相同点的数量

我有数据帧，网格大小为12*8
我想计算连续红点的数量（仅在垂直方向），并用它创建新列（col=连续红），对于蓝色，它将为零

比如说

X y red/blue consecutive red 
1 1  blue    0
1 3  red     3     
1 4  red     3
1 2  blue    0
1 5  red     3
9 4  red     5

[！[在此处输入图像描述][1][1] 已经有前3列的数据

from sklearn.neighbors import BallTree 

red_points = df[df.red/blue== red]
blue_points = df[df.red/blue!= red]

tree = BallTree(red_points[['x','y']], leaf_size=40, metric='minkowski')

distance, index = tree.query(df[['x','y']], k=2)

---

我不知道有这样的算法（很可能有），但是编写算法并不是那么难（我使用numpy是因为我已经习惯了，而且你可以轻松地使用CUDA和其他数据科学python工具进行加速）

数据（0=蓝色，1=红色）：

算法：

result = np.zeros((ROWS,COLS),dtype=np.int)
for y,x in np.ndindex(X.shape):
    if X[y, x]==0:
        continue
    cons = 1 # consecutive in any direction including current
    # Going backwward while we can
    prev = y-1
    while prev>=0:
        if X[prev,x]==0:
            break
        cons+=1
        prev-=1
    # Going forward while we can
    nxt = y+1
    while nxt<=ROWS-1:
        if X[nxt,x]==0:
            break
        cons+=1
        nxt+=1
    result[y,x]=cons
df2 = pd.DataFrame(data=result)
df2.style.apply(lambda x: [bg+'red' if v>=1 else bg+'blue' for v in x])

result=np.zero（（行，列），dtype=np.int）
对于np.ndindex（x.shape）中的y，x：
如果X[y，X]==0：
持续
cons=1#在任何方向上连续，包括电流
#我们可以回去了
prev=y-1
当prev>=0时：
如果X[prev，X]==0：
打破
cons+=1
prev-=1
#趁我们能继续前进
nxt=y+1
当nxt=1时，其他bg+“蓝色”表示x中的v]）

结果是：

---

请注意，在numpy中，第一个坐标表示行索引（在您的情况下为y），第二个坐标表示列（在您的情况下为x），如果您想切换到x，y，您可以在数据上使用。

请共享您更新帖子时使用的代码，我首先尝试使用sklearn中的Ball tree计算每个点到红点的索引和距离，然后我想你需要澄清预期的输出。在你关于

[x，y]=#continuous

的例子中，你给出了

[1,3]=3

和

[1,5]=3

，但

[1,4=0]

似乎是错误的，如果你认为

在任何方向上都是连续的，包括当前的

，或者

[1,4]=3

，如果你认为

邻居+当前的

。此外，如果你感兴趣的是每个X坐标的红色组列表，则可能有较少的冗余输出（即对于x＝1，它将是[3），对于x＝9，它将是[2，5]）。[1,4]是3，它是错的，现在纠正，输出将只考虑在垂直方向上，并且包括两个方向上的电流nOnthistic，对吗？否则它将是[1,4]=2这正是我想要的谢谢，我唯一的疑问是我的数据集是96*2（x&y坐标），而不是12*8如果它正是你想要的，你可以把我的答案标记为正确。数据集的大小并不重要，只要它仍然是二维的，如果更高的维度您必须相应地进行调整，以使core更一般地平坦3+维度，以便相同的代码逻辑可以向上扩展，这就是用例，想知道这种算法在哪种情况下有用吗这里你用19*9创建了df，给每个单元格一个值（红色/蓝色），但我有3列要用x，y和红色/蓝色，这里我需要做。重塑（12，8），但问题是在一些df中，我的值小于96（12*8），然后它给出了错误我明白了，那么，在这种情况下，我认为您最好将特性表示的学习留给您的网络（这是它们如此强大的原因之一，硬编码您认为相关的内容，或者在某种程度上不会弄巧成拙）。例如，你可以将你的焊缝表示为一个图像（例如一个热图，表示焊缝的良好/部分，类似于我的表格输出，但只是使用颜色），然后让神经网络计算出来。请参阅和“图像识别器可以处理非图像任务”部分。

result = np.zeros((ROWS,COLS),dtype=np.int)
for y,x in np.ndindex(X.shape):
    if X[y, x]==0:
        continue
    cons = 1 # consecutive in any direction including current
    # Going backwward while we can
    prev = y-1
    while prev>=0:
        if X[prev,x]==0:
            break
        cons+=1
        prev-=1
    # Going forward while we can
    nxt = y+1
    while nxt<=ROWS-1:
        if X[nxt,x]==0:
            break
        cons+=1
        nxt+=1
    result[y,x]=cons
df2 = pd.DataFrame(data=result)
df2.style.apply(lambda x: [bg+'red' if v>=1 else bg+'blue' for v in x])