Python 筛选序列为0和1的列中的行模式

我正在寻找一种在数据框中过滤/搜索行中的序列/模式的方法，如下所示：

sensor               A  B  C  D  E  F
date
2011-11-02 19:22:32  0  0  0  0  1  0
2011-11-02 19:29:18  0  0  0  0  1  0
2011-11-02 19:29:30  0  0  1  0  1  0
2011-11-02 19:29:34  0  0  1  1  1  0
2011-11-02 19:29:35  0  0  1  1  0  0
2011-11-02 19:30:06  0  0  1  0  0  0
2011-11-02 19:30:10  0  0  1  0  1  0
2011-11-02 19:30:46  0  0  0  0  1  0
2011-11-02 19:31:25  0  0  1  0  1  0
2011-11-02 19:31:26  0  0  1  0  0  0
2011-11-02 19:31:31  0  0  1  1  0  0
2011-11-02 19:31:41  0  0  0  1  0  0

col = df['A']
scol = col.shift()
starts = col & ~(scol == 1)
ends = ~(col == 1) & scol
if col[len(col)-1]:
    ends[len(ends)-1] = True

我现在需要知道传感器（A，B，C，…）在哪个时间段是活动的（值==1）。例如，对于传感器C，有两个间隔：

开始时间：2011-11-0219:29:30，结束时间：2011-11-0219:30:46

开始时间：2011-11-0219:31:25结束时间：2011-11-0219:31:41

因此： 0->1：开始日期和结束日期 1->0:结束日期

我的第一个解决方案是对行进行迭代。但由于真实的数据集相当大，我想知道是否有任何方法可以用熊猫做到这一点

---

谢谢。

您可以这样做：

sensor               A  B  C  D  E  F
date
2011-11-02 19:22:32  0  0  0  0  1  0
2011-11-02 19:29:18  0  0  0  0  1  0
2011-11-02 19:29:30  0  0  1  0  1  0
2011-11-02 19:29:34  0  0  1  1  1  0
2011-11-02 19:29:35  0  0  1  1  0  0
2011-11-02 19:30:06  0  0  1  0  0  0
2011-11-02 19:30:10  0  0  1  0  1  0
2011-11-02 19:30:46  0  0  0  0  1  0
2011-11-02 19:31:25  0  0  1  0  1  0
2011-11-02 19:31:26  0  0  1  0  0  0
2011-11-02 19:31:31  0  0  1  1  0  0
2011-11-02 19:31:41  0  0  0  1  0  0

col = df['A']
scol = col.shift()
starts = col & ~(scol == 1)
ends = ~(col == 1) & scol
if col[len(col)-1]:
    ends[len(ends)-1] = True

然后，

开始

和

结束

将是两个布尔序列，标记列“A”中的所有开始日期和结束日期

最后两行用于创建结束日期，如果列以

结尾，则该日期将丢失。。。1 1

。此外，如果列以

11…

开头（如问题注释中DSM所述），则将创建开始日期

res = {}
t = df - df.shift(1)
for col in df.columns:
    res[col] = t[col][t[col] != 0]

当特定列的值为1时，表示时间范围已开始；当值为-1时，表示时间范围已结束

此外，您可以使用听写理解：

res = {col: t[col][t[col] != 0] for col in df.columns}

---

你说你想要传感器处于活动状态的时间段，但是你说

0->1

定义了起始日期。E的第一排呢？即使没有0->1转换，这是否开始了一个时间段，或者是唯一的时间段19:30:10-19:31:26？以1开头（或以1结尾）的列可以被视为从那里开始/结束。谢谢你迄今为止的回答。这两种解决方案都很有效，速度也很快，但我认为@acushner提供的解决方案更为优雅。有什么评论吗？