Python 以熊猫为单位聚合行重复(运行长度)
在给定系统的以下快照数据帧中,我感兴趣的是记录Python 以熊猫为单位聚合行重复(运行长度),python,pandas,numpy,duplicates,partitioning,Python,Pandas,Numpy,Duplicates,Partitioning,在给定系统的以下快照数据帧中,我感兴趣的是记录var1或var2随时间的变化,假设系统状态保持不变,直到发生变化。这类似于运行长度编码,它压缩序列,其中相同的数据值出现在许多连续的数据元素中。从这个意义上说,我对捕捉跑步感兴趣。例如: var1 var2 timestamp foo 2 2017-01-01 00:07:45 foo 2 2017-01-01 00:13:42 foo 3 2017-01-01 00:19:41 bar 3
var1
或var2
随时间的变化,假设系统状态保持不变,直到发生变化。这类似于运行长度编码,它压缩序列,其中相同的数据值出现在许多连续的数据元素中。从这个意义上说,我对捕捉跑步感兴趣。例如:
var1 var2 timestamp
foo 2 2017-01-01 00:07:45
foo 2 2017-01-01 00:13:42
foo 3 2017-01-01 00:19:41
bar 3 2017-01-01 00:25:41
bar 2 2017-01-01 00:37:36
bar 2 2017-01-01 00:43:37
foo 2 2017-01-01 01:01:29
foo 2 2017-01-01 01:01:34
bar 2 2017-01-01 01:19:25
bar 2 2017-01-01 01:25:22
应浓缩为:
expected_output
var1 var2 min max
foo 2 2017-01-01 00:07:45 2017-01-01 00:19:41
foo 3 2017-01-01 00:19:41 2017-01-01 00:25:41
bar 3 2017-01-01 00:25:41 2017-01-01 00:37:36
bar 2 2017-01-01 00:37:36 2017-01-01 01:01:29
foo 2 2017-01-01 01:01:29 2017-01-01 01:19:25
bar 2 2017-01-01 01:25:22 None
我尝试了以下聚合,有效地消除了var1
和var2
的重复数据,并提供了每个组的最小和最大时间戳:
output = test.groupby(['var1','var2'])['timestamp'].agg(['min','max']).reset_index()
output
var1 var2 min max
bar 2 2017-01-01 00:37:36 2017-01-01 01:25:22
bar 3 2017-01-01 00:25:41 2017-01-01 00:25:41
foo 2 2017-01-01 00:07:45 2017-01-01 01:01:34
foo 3 2017-01-01 00:19:41 2017-01-01 00:19:41
但是,var1
和var2
可以随着时间的推移更改并恢复为相同的原始值,因此min/max函数不起作用,因为var1
和var2
应该随着时间的推移与同一列中的上一个值进行比较,这与shift()
方法类似,但并不完全相同
pandas或numpy中是否有一种有效的方法,类似于R中的
rle()
方法,可以对这些运行进行分组或分区,并将下一次运行的最小时间戳作为其最大时间戳?真正的数据集超过1000万行。如有任何建议,将不胜感激 对于连续分组,您可以在(df.col!=df.col.shift()).cumsum()上分组
您希望将其用于任一列,以便可以将它们一起|
>>> ((df.var1 != df.var1.shift()) | (df.var2 != df.var2.shift())).cumsum()
0 1
1 1
2 2
3 3
4 4
5 4
6 5
7 5
8 6
9 6
dtype: int64
groupby+agg
>>> cond = ((df.var1 != df.var1.shift()) | (df.var2 != df.var2.shift())).cumsum()
>>> output = df.groupby(cond).agg(
... var1=('var1', 'first'),
... var2=('var2', 'first'),
... min=('timestamp', 'min'),
... max=('timestamp', 'max')
... )
>>> output
var1 var2 min max
1 foo 2 2017-01-01 00:07:45 2017-01-01 00:13:42
2 foo 3 2017-01-01 00:19:41 2017-01-01 00:19:41
3 bar 3 2017-01-01 00:25:41 2017-01-01 00:25:41
4 bar 2 2017-01-01 00:37:36 2017-01-01 00:43:37
5 foo 2 2017-01-01 01:01:29 2017-01-01 01:01:34
6 bar 2 2017-01-01 01:19:25 2017-01-01 01:25:22
然后可以将最大值设置为下一行的最小值:
>>> output['max'] = output['min'].shift(-1)
>>> output
var1 var2 min max
1 foo 2 2017-01-01 00:07:45 2017-01-01 00:19:41
2 foo 3 2017-01-01 00:19:41 2017-01-01 00:25:41
3 bar 3 2017-01-01 00:25:41 2017-01-01 00:37:36
4 bar 2 2017-01-01 00:37:36 2017-01-01 01:01:29
5 foo 2 2017-01-01 01:01:29 2017-01-01 01:19:25
6 bar 2 2017-01-01 01:19:25 NaN