如何对重复模式进行分类？

Question

在我的 Dataframe 中，我有一个字段显示超时订购的产品的状态。这可以是“新”、“已取消”、“已填充”或“部分”。我总结了记录的每个 Order(Orderid) 的模式，并对可能出现的不同模式进行了计数。然而，这导致了超过 1385 种不同的模式。我现在想将这些模式压缩到 bin 中，例如，如果订单状态为：New、New、Cancelled、New、Filled，则将压缩为：New、Cancelled、New、Filled。

这将与以下模式放在同一个 bin 中：New、New、New、Cancelled、Cancelled、New、New、Filled。

这是原始数据的样子：

按每个 OrderID 分组一次：

为了查看数据中存在的 OrderStatus 模式，应用了以下代码：

def status_transition_with_timestamp(each_grouped_df):
    sorted_df = each_grouped_df.sort_values('timestamp', ascending=True)
    concatenated_transition = ','.join(sorted_df['ostatus'])
    return concatenated_transition

result = df_grouped['ostatus'].agg(status_transition_with_timestamp)

result.groupby('ostatus').count()

导致：Output of counts

Answer 1

要删除连续重复，请使用itertools.groupby:

from itertools import groupby
df['ostatus'] = df['ostatus'].apply(lambda x: ','.join([x for x, _ in groupby(x.split(','))]))

然后您将拥有唯一的序列并且您可以执行聚合。

例子：

df = pd.DataFrame({'Status': ['New,New,Cancelled', 'New,Cancelled', 'Cancelled,New,Cancelled,New']})
df
#                        Status
#0            New,New,Cancelled
#1                New,Cancelled
#2  Cancelled,New,Cancelled,New

df['Status'] = df['Status'].apply(lambda x: ','.join([x for x, _ in groupby(x.split(','))]))
df
#                        Status
#0                New,Cancelled
#1                New,Cancelled
#2  Cancelled,New,Cancelled,New