Python 组内组的长度（在groupby之后应用groupby）

我面临着下一个问题： 我有组（按ID），对于所有这些组，我需要应用以下代码：如果组内位置之间的距离在3米以内，则需要将它们添加到一起，因此将创建一个新组（下面显示了如何创建组的代码）。现在，我想要的是一个距离组内的检测数量，因此是组的长度

这一切都起了作用，但在将其应用于ID组之后，它给了我一个错误

代码如下：

def group_nearby_peaks(df, col, cutoff=-3.00):
    """
    This function groups nearby peaks based on location.
    When peaks are within 3 meters from each other they will be added together.
    """
    min_location_between_groups = cutoff

    df = df.sort_values('Location')

    return (
        df.assign(
            location_diff=lambda d: d['Location'].diff(-1).fillna(-9999),
            NOD=lambda d: d[col]
                .groupby(d["location_diff"].shift().lt(min_location_between_groups).cumsum())
                .transform(len)
        )
    )

我得到的错误如下：

ValueError: No objects to concatenate

对于下面的dataframe示例，我期望得到这个结果

    ID  Location
0   1   12.0
1   1   14.0
2   1   15.0
3   1   17.5
4   1   25.0
5   1   30.0
6   1   31.0
7   1   34.0
8   1   36.0
9   1   37.0
10  2   8.0
11  2   14.0
12  2   15.0
13  2   17.5
14  2   50.0
15  2   55.0
16  2   58.0
17  2   59.0
18  2   60.0
19  2   70.0

预期结果：

    ID  Number of detections
0   1   4
1   1   1
2   1   5
3   2   1
4   2   3
5   2   1
6   2   5

---

为

位置

在3米范围内创建groupID

s

。那些大于3米的将被强制作为单个ID，而其他将被复制ID。最后，groupby

ID

和

s

和

count

s = df.groupby('ID').Location.diff().fillna(0).abs().gt(3).cumsum()    
df.groupby(['ID',s]).ID.count().reset_index(name='Number of detections').drop('Location', 1)

Out[190]:
   ID  Number of detections
0   1                     4
1   1                     1
2   1                     5
3   2                     1
4   2                     3
5   2                     1
6   2                     4
7   2                     1

s = df.groupby('ID').Location.diff().fillna(0).abs().gt(3).cumsum()    
df.groupby(['ID',s]).ID.count().reset_index(name='Number of detections').drop('Location', 1)

Out[190]:
   ID  Number of detections
0   1                     4
1   1                     1
2   1                     5
3   2                     1
4   2                     3
5   2                     1
6   2                     4
7   2                     1