使用python为组中的每个元素添加一个序列号答案

【问题标题】：Add a sequence number to each element in a group using python使用python为组中的每个元素添加一个序列号
【发布时间】：2015-06-03 20:59:57
【问题描述】：

我有一个个人数据框，每个人都有多个记录。我想为python中的每个人枚举序列中的记录。基本上我想在下表中创建“序列”列：

patient  date      sequence
145      20Jun2009        1
145      24Jun2009        2
145      15Jul2009        3
582      09Feb2008        1
582      21Feb2008        2
987      14Mar2010        1
987      02May2010        2
987      12May2010        3

这与here 本质上是同一个问题，但我在python 中工作，无法实现sql 解决方案。我怀疑我可以使用具有可迭代计数的 groupby 语句，但到目前为止还没有成功。谢谢！

【问题讨论】：

标签： python database pandas count grouping

【解决方案1】：

问题是如何对多列数据进行排序。

一个简单的技巧是将key 参数用于sorted 函数。

您将按从数组的列构建的字符串进行排序。

rows = ...# your source data

def date_to_sortable_string(date):
  # use datetime package to convert string to sortable date.
  pass

# Assume x[0] === patient_id and x[1] === encounter date

# Sort by patient_id and date
rows_sorted = sorted(rows, key=lambda x: "%0.5d-%s" % (x[0], date_to_sortable_string(x[1])))

for row in rows_sorted:
  print row

【讨论】：

【解决方案2】：

我偶然发现了一个简单得令人尴尬的答案。 groupby 语句有一个 'cumcount()' 选项，它将枚举组项目。

df['sequence']=df.groupby('patient').cumcount()

需要注意的是，记录必须按照您希望它们枚举的顺序排列。

【讨论】：

哇，真是个救命稻草——运行速度比我的任何 hack 都快
谢谢！这为我节省了很多时间和挫败感。
.cumcount() 以 0 开头，.cumcount()+1 更有用。

【解决方案3】：

首先，您要将日期列转换为 pandas 日期时间（而不是字符串）：

In [11]: pd.to_datetime(df['date'], format='%d%b%Y')
Out[11]:
0   2009-06-20
1   2009-06-24
2   2009-07-15
3   2008-02-09
4   2008-02-21
5   2010-03-14
6   2010-05-02
7   2010-05-12
Name: date, dtype: datetime64[ns]

注意：请参阅docs 了解可能的格式选项。

In [12]: df['date'] = pd.to_datetime(df['date'], format='%d%b%Y')

In [13]: df
Out[13]:
   patient       date  sequence
0      145 2009-06-20         1
1      145 2009-06-24         2
2      145 2009-07-15         3
3      582 2008-02-09         1
4      582 2008-02-21         2
5      987 2010-03-14         1
6      987 2010-05-02         2
7      987 2010-05-12         3

如果这不是按日期顺序（针对每个患者），我会先对其进行排序：

In [14]: df = df.sort('date')

现在您可以 groupby 和 cumcount：

In [15]: g = df.groupby('patient')

In [16]: g.cumcount() + 1
Out[16]:
2    1
3    2
0    1
1    2
4    1
5    2
6    3
dtype: int64

这是你想要的（尽管它不正常）：

In [17]: df['sequence'] = g.cumcount() + 1

In [18]: df
Out[18]:
       patient       date  sequence
2      582 2008-02-09         1
3      582 2008-02-21         2
0      145 2009-06-24         1
1      145 2009-07-15         2
4      987 2010-03-14         1
5      987 2010-05-02         2
6      987 2010-05-12         3

要重新排列（尽管您可能不需要）使用sort_index（或者如果我们保存了初始 DataFrame 的索引，我们可以重新索引）：*

In [19]: df.sort_index()
Out[19]:
   patient       date  sequence
0      145 2009-06-24         1
1      145 2009-07-15         2
2      582 2008-02-09         1
3      582 2008-02-21         2
4      987 2010-03-14         1
5      987 2010-05-02         2
6      987 2010-05-12         3

【讨论】：

【解决方案4】：

这将从 1 而不是 0 开始排序。

df['sequence']=df.groupby('patient').cumcount()+1

【讨论】：