Python 查找数据帧中的连续段

我有一个pandas.DataFrame，其中包含在连续时间点进行的测量。随着每次测量，被观察的系统在每个时间点都有不同的状态。因此，数据帧还包含一列，其中包含每次测量时的系统状态。状态更改比测量间隔慢得多。因此，指示状态的列可能如下所示（索引：state）：

是否有一种简单的方法来检索连续相等状态的每一段的索引。这意味着我想得到这样的东西：

[[1,2,3,4], [5,6,7,8], [9,10,11,12,13]]

结果也可能与普通列表不同

到目前为止，我能想到的唯一解决方案是手动迭代行，查找段更改点并从这些更改点重建索引，但我希望有一个更简单的解决方案。

您可以使用np.diff（）测试段开始/结束的位置，并迭代这些结果。这是一个非常简单的解决方案，因此可能不是最有效的解决方案

a = np.array([3,3,3,3,3,4,4,4,4,4,1,1,1,1,4,4,12,12,12])

prev = 0
splits = np.append(np.where(np.diff(a) != 0)[0],len(a)+1)+1

for split in splits:
    print np.arange(1,a.size+1,1)[prev:split]
    prev = split

结果：

[1 2 3 4 5]
[ 6  7  8  9 10]
[11 12 13 14]
[15 16]
[17 18 19]

一艘班轮：

df.reset_index().groupby('A')['index'].apply(np.array)

代码，例如：

In [1]: import numpy as np

In [2]: from pandas import *

In [3]: df = DataFrame([3]*4+[4]*4+[1]*4, columns=['A'])
In [4]: df
Out[4]:
    A
0   3
1   3
2   3
3   3
4   4
5   4
6   4
7   4
8   1
9   1
10  1
11  1

In [5]: df.reset_index().groupby('A')['index'].apply(np.array)
Out[5]:
A
1    [8, 9, 10, 11]
3      [0, 1, 2, 3]
4      [4, 5, 6, 7]

您还可以直接从groupby对象访问信息：

In [1]: grp = df.groupby('A')

In [2]: grp.indices
Out[2]:
{1L: array([ 8,  9, 10, 11], dtype=int64),
 3L: array([0, 1, 2, 3], dtype=int64),
 4L: array([4, 5, 6, 7], dtype=int64)}

In [3]: grp.indices[3]
Out[3]: array([0, 1, 2, 3], dtype=int64)

为了解决DSM提到的情况，您可以采取以下措施：

In [1]: df['block'] = (df.A.shift(1) != df.A).astype(int).cumsum()

In [2]: df
Out[2]:
    A  block
0   3      1
1   3      1
2   3      1
3   3      1
4   4      2
5   4      2
6   4      2
7   4      2
8   1      3
9   1      3
10  1      3
11  1      3
12  3      4
13  3      4
14  3      4
15  3      4

现在按两列分组并应用lambda函数：

In [77]: df.reset_index().groupby(['A','block'])['index'].apply(np.array)
Out[77]:
A  block
1  3          [8, 9, 10, 11]
3  1            [0, 1, 2, 3]
   4        [12, 13, 14, 15]
4  2            [4, 5, 6, 7]

---

这假设值不会在不连续的段中重复——例如，

DataFrame（[3]*4+[4]*4+[1]*4+[3]*4，columns=['A']）

将把两组3放入同一组。您可以扫描这些中断，但这只是原始问题的另一个版本。也许有一种方法可以让pandas

groupby

的行为更像

itertools.groupby

。谢谢，您的第二个解决方案很好。实际上，我有DSM所描述的情况。如果您希望按某种偏差进行分组（例如，组中包含的值，所有值都在原始集合中相邻值的+-1范围内）@ryanjdillon您可以尝试

df['block']=（df.A.diff（1.abs（）>1.cumsum（）

）。但这只是检查相邻值之间的差异，因此如果您使用

数据帧（[3]*4+[4]*4+[5]*1+[6]*3，columns=['A']]）

，它仍然只会生成一个块。值得注意的是，您实际上不需要那里的“astype（int）”——熊猫正好可以对布尔值求和。谢谢，实际上，Zelazny7的解决方案更方便，因为我喜欢将数据段存储在数据帧中，它会自动实现这一点。谢谢Rutger

np.diff（）

在这里是一个很好的建议。

In [77]: df.reset_index().groupby(['A','block'])['index'].apply(np.array)
Out[77]:
A  block
1  3          [8, 9, 10, 11]
3  1            [0, 1, 2, 3]
   4        [12, 13, 14, 15]
4  2            [4, 5, 6, 7]