Python 如何在包含关于两行的信息时对数据帧进行分组？

我是Python新手，希望有人能帮助我解决这个性能问题。 我的数据如下所示：

                   TIMESTAMP   A
34   2050-09-08 03:00:00 EST   3.0
40   2050-09-08 07:00:00 EST   3.0
67   2050-09-08 17:00:00 EST   6.0
84   2050-09-08 23:00:00 EST   6.0
89   2050-09-09 01:00:00 EST  11.0
103  2050-09-09 07:00:00 EST  10.0
110  2050-09-09 11:00:00 EST  10.0
118  2050-09-09 15:00:00 EST  10.0

我想得到A列中的值稳定（S）、增加（I）或减少（D）的时间间隔

此时，我使用for循环来比较行并计算这些值之间的斜率。只要斜率的符号在每次迭代中都没有改变，间隔的结束时间戳就会得到更新。这会产生类似Interval（开始、结束、状态）的间隔。上述示例的结果是：

Interval(2050-09-08 03:00:00 EST, 2050-09-08 07:00:00 EST, S)
Interval(2050-09-08 07:00:00 EST, 2050-09-08 17:00:00 EST, I)
Interval(2050-09-08 17:00:00 EST, 2050-09-08 23:00:00 EST, S)
etc.

因为数据集包含许多行和列，所以我试图找到一种更有效地编写代码的方法（没有for循环）

---

在某种程度上，我希望对这些状态进行分组，获得每个状态的开始和结束时间戳，并将其保存在一个间隔中。有人知道比在数据帧中循环更快的方法吗？

这应该会有帮助。使用大量的

shift

，然后使用

groupby

+

agg

df.loc[df.A < df.A.shift(-1), 'State'] = 'I'
df.loc[df.A > df.A.shift(-1), 'State'] = 'D'
df.loc[df.A == df.A.shift(-1).ffill(), 'State'] = 'S'
df['StateGroup'] = (df.State != df.State.shift()).cumsum()
df['NextTIMESTAMP'] = df.TIMESTAMP.shift(-1).ffill()
df

---

这应该会有帮助。使用大量的

shift

，然后使用

groupby

+

agg

df.loc[df.A < df.A.shift(-1), 'State'] = 'I'
df.loc[df.A > df.A.shift(-1), 'State'] = 'D'
df.loc[df.A == df.A.shift(-1).ffill(), 'State'] = 'S'
df['StateGroup'] = (df.State != df.State.shift()).cumsum()
df['NextTIMESTAMP'] = df.TIMESTAMP.shift(-1).ffill()
df

---

这肯定很有帮助，正是我想要的。非常感谢！我有一个三对一的特别节目：df['State']=np.where（df.a.pct_change（）>0，“I”，np.where（df.a.pct_change（））这肯定很有用，正是我想要的。非常感谢！我有一个三对一的特别节目：df['State']=np.where（df.a.pct_change（）>0，“I”，np.where（df.a.pct_change（））

df.loc[df.A < df.A.shift(-1), 'State'] = 'I'
df.loc[df.A > df.A.shift(-1), 'State'] = 'D'
df.loc[df.A == df.A.shift(-1).ffill(), 'State'] = 'S'
df['StateGroup'] = (df.State != df.State.shift()).cumsum()
df['NextTIMESTAMP'] = df.TIMESTAMP.shift(-1).ffill()
df

aggs = dict(A=['mean', 'count', 'first', 'last'], State=['first'],
            TIMESTAMP={'Start': 'first'}, NextTIMESTAMP={'End': 'last'})
df.groupby('StateGroup').agg(aggs)