如何按局部最小值对 Pandas DataFrame 进行分组？

Question

最初，我有一个Pandas DataFrame，它由两列A (for x-axis values) 和B (for y-axis values) 组成，它们被绘制成一个简单的x-y coordinate graph。数据由几个峰值组成，其中所有峰值都出现在相同的y-axis 值上，增量相同。因此，我能够做到以下几点：

df = pd.read_csv(r'/Users/_______/Desktop/Data Packets/Cycle Data.csv')

nrows = int(df['B'].max() * 2) - 1

alphabet: list = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z']
groups = df.groupby(df.index // nrows)
for (frameno, frame) in groups:
    frame.to_csv("/Users/_______/Desktop/Cycle Test/" + alphabet[frameno] + "%s.csv" % frameno, index=False)

上述代码将大循环数据文件解析成多个大小相同的数据文件，因为每个循环的局部最小值和最大值是相同的。

但是，我希望能够解析具有任意峰值和最小值的数据文件。我不能同时拆分大数据文件，因为每个数据文件的大小不同。这是一个示例说明：

编辑：样本数据（A 是 x 轴，B 是 y 轴）：

data = {'A': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26], 'B': [0, 1, 2, 3, 4, 5, 6, 7, 5, 3, 1, -1, 1, 3, 5, 7, 9, 8, 7, 6, 5, 4, 6, 8, 6, 4, 2]}
df = pd.DataFrame(data)

编辑 2：不同的样本数据（Displacement 从 1 到 50 回到 1，然后从 1 到 60 回到 1，等等）：

         Load  Displacement
0    0.100000           1.0
1    0.101000           2.0
2    0.102000           3.0
3    0.103000           4.0
4    0.104000           5.0
..        ...           ...
391  0.000006           5.0
392  0.000005           4.0
393  0.000004           3.0
394  0.000003           2.0
395  0.000002           1.0

Answer 1

col = df['B']  # replace with the appropriate column name
# find local minima. FIXED: use rightmost min value if repeating
minima = (col <= col.shift()) & (col < col.shift(-1))    
# create groups
groups = minima.cumsum()

# group
df.groupby(groups).whatever()  # replace with whatever the appropriate aggregation is

示例，计数值：

df.groupby(groups).count()                                                                         

Out[10]: 
    A   B
B        
0  11  11
1  10  10
2   6   6

Answer 2

我们可以试试scipy，argrelextrema

from scipy.signal import argrelextrema
idx = argrelextrema(df.col.values, np.less)
g = df.groupby(df.index.isin(df.index[idx[0]]).cumsum())