使用 Python pandas 根据列增量对相同的值进行分组答案

【问题标题】：Grouping the same value based on a column increment using Python pandas使用 Python pandas 根据列增量对相同的值进行分组
【发布时间】：2022-01-22 13:46:58
【问题描述】：

我正在尝试做的是在某个时间段内使用 python 数据框对 0 的值进行分组，例如我有：

| Time (seconds) | Value |
|       1        |   0   |
|       2        |   0   |
|       3        |   0   |
|       4        |   1   |
|       5        |   0   |
|       6        |   1   |
|       7        |   1   |
|       8        |   0   |
|       9        |   0   |
|       10       |   0   |
|       11       |   1   |
|       12       |   0   |
|       13       |   0   |

我期望的输出是：

| Time (seconds) | Value | Group |
|       1        |   0   |   1   |
|       2        |   0   |   1   |
|       3        |   0   |   1   |
|       4        |   1   |       |
|       5        |   0   |   2   |
|       6        |   1   |       |
|       7        |   1   |       |
|       8        |   0   |   3   |
|       9        |   0   |   3   |
|       10       |   0   |   3   |
|       11       |   1   |       |
|       12       |   0   |   4   |
|       13       |   0   |   4   |

【问题讨论】：

标签： python pandas dataframe pandas-groupby

【解决方案1】：

这里有一个使用numpy.split 的奇怪解决方案：

arr = df['Value'].to_numpy()
counter = 1
out = []
for ar in np.split(arr, np.where(arr==1)[0]):
    mask = ar==0
    out.append(np.where(mask, counter, 0))
    if mask.any():
        counter += 1
df['Group'] = np.concatenate(out)

输出：

    Time  Value  Group
0      1      0      1
1      2      0      1
2      3      0      1
3      4      1      0
4      5      0      2
5      6      1      0
6      7      1      0
7      8      0      3
8      9      0      3
9     10      0      3
10    11      1      0
11    12      0      4
12    13      0      4I’m

【讨论】：

【解决方案2】：

您可以使用shift、cumsum 和掩码检查值何时发生变化：

s = df['value'].eq(0)
df['group'] = (s&s.ne(s.shift())).cumsum().where(s, 0)

输出：

    time  value  group
0      1      0      1
1      2      0      1
2      3      0      1
3      4      1      0
4      5      0      2
5      6      1      0
6      7      1      0
7      8      0      3
8      9      0      3
9     10      0      3
10    11      1      0
11    12      0      4
12    13      0      4

【讨论】：

【解决方案3】：

你可以试试cumsum然后传给factorize

s = df.Value.ne(0)

df.loc[df.index[~s],'new'] = s.cumsum()[~s].factorize()[0]+1

【讨论】：