Python 使用pandas对列中的重复值进行分类

我有一个数据框，在数据框名称“Pressure”中有一列，它有重复值，我想对它进行分类。我有这样的专栏

我尝试了groupby（）方法，但无法生成段列。我认为这是一个简单的方法在熊猫谁可以帮助我在这方面。 我需要这样的输出

---

提前感谢

使用列

压力中的唯一值创建
dict
，并标记相应的值，然后使用
替换

d = {j: i for i,j in enumerate(data["Pressure"].unique(),start=1)}

data["Segment"]= data["Pressure"].replace(d).astype("int")
print(data)

输出：

Pressure   Segment
0.03      1
0.03      1
0.03      1
2.07      2
2.07      2
2.07      2
3.01      3
3.01      3

使用列
压力
中的唯一值创建
dict
，并标记相应的值，然后使用
replace

d = {j: i for i,j in enumerate(data["Pressure"].unique(),start=1)}

data["Segment"]= data["Pressure"].replace(d).astype("int")
print(data)

输出：

Pressure   Segment
0.03      1
0.03      1
0.03      1
2.07      2
2.07      2
2.07      2
3.01      3
3.01      3

如果性能很重要，请使用：

data["Segment"]= pd.factorize(data["pressure"])[0] + 1
print (data)
   pressure  Segment
0      0.03        1
1      0.03        1
2      0.03        1
3      2.07        2
4      2.07        2
5      2.07        2
6      3.01        3
7      3.01        3

性能：

data = pd.DataFrame({'pressure': np.sort(np.random.randint(1000, size=10000)) / 100})

In [312]: %timeit data["pressure"].replace({j: i for i,j in enumerate(data["pressure"].unique(),start=1)}).astype("int")
141 ms ± 3.11 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [313]: %timeit pd.factorize(data["pressure"])[0] + 1
751 µs ± 3.97 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

如果性能很重要，请使用：

data["Segment"]= pd.factorize(data["pressure"])[0] + 1
print (data)
   pressure  Segment
0      0.03        1
1      0.03        1
2      0.03        1
3      2.07        2
4      2.07        2
5      2.07        2
6      3.01        3
7      3.01        3

性能：

data = pd.DataFrame({'pressure': np.sort(np.random.randint(1000, size=10000)) / 100})

In [312]: %timeit data["pressure"].replace({j: i for i,j in enumerate(data["pressure"].unique(),start=1)}).astype("int")
141 ms ± 3.11 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [313]: %timeit pd.factorize(data["pressure"])[0] + 1
751 µs ± 3.97 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)