Python 如何计算数据帧中列值更改的频率

我有一个熊猫数据框，如下所示：

    id  some_value
0   tag1    v1
1   tag1    v2
2   tag1    v1
3   tag2    v2
4   tag2    v2
5   tag2    v3

import pandas as pd
df = pd.DataFrame({'id': ['tag1', 'tag1', 'tag1', 'tag2', 'tag2','tag2'], 'some_value': ['v1','v2','v1','v2','v2','v3']})
mask = df['id'] == df['id'].shift(-1)
df['changed'] = df['some_value'] != df['some_value'].shift(-1)
df[mask].groupby('id').sum()

我想知道对于每个id，

some\u value

中的值更改的频率。因此，对于

tag1

，这将是两次（因为它首先从

v1

变为

v2

，然后再变回来），对于

tag2

这将是一次。我已经解决了这样的问题：

    id  some_value
0   tag1    v1
1   tag1    v2
2   tag1    v1
3   tag2    v2
4   tag2    v2
5   tag2    v3

import pandas as pd
df = pd.DataFrame({'id': ['tag1', 'tag1', 'tag1', 'tag2', 'tag2','tag2'], 'some_value': ['v1','v2','v1','v2','v2','v3']})
mask = df['id'] == df['id'].shift(-1)
df['changed'] = df['some_value'] != df['some_value'].shift(-1)
df[mask].groupby('id').sum()

代码运行良好，因为它返回

    changed
id  
tag1    2.0
tag2    1.0

---

有没有更优雅的解决方案？

实现这一点的一种方法是：

def numChanges(x):
    return sum(x.iloc[:-1] != x.shift(-1).iloc[:-1])

df.groupby('id').agg({
    'some_value' : numChanges
})

请注意，如果id列未排序，结果将不同，因此您的解决方案可能会产生不正确的结果，除非您打算这样做

例如，下面的数据集将使用我的解决方案生成tag2值为5，但根据您的解决方案生成3。从技术上讲，正确答案应该是5，但如果您的id变量被排序，则不会有任何区别

pd.concat([df]*3)  #My solution outputs 5 changes for tag2 and yours will give 3 only

---

这个问题更适合多谢，特别是指出订购问题。