在给定系统的快照的以下数据框中,我有兴趣记录 var1
或 var2
随着时间的推移的任何变化,假设系统的状态保持不变,直到发生变化。这类似于游程长度编码,游程长度编码压缩在许多连续数据元素中出现相同数据值的序列。从这个意义上说,我对捕捉运行感兴趣。例如:
var1 var2 timestamp
foo 2 2017-01-01 00:07:45
foo 2 2017-01-01 00:13:42
foo 3 2017-01-01 00:19:41
bar 3 2017-01-01 00:25:41
bar 2 2017-01-01 00:37:36
bar 2 2017-01-01 00:43:37
foo 2 2017-01-01 01:01:29
foo 2 2017-01-01 01:01:34
bar 2 2017-01-01 01:19:25
bar 2 2017-01-01 01:25:22
应压缩为:
expected_output
var1 var2 min max
foo 2 2017-01-01 00:07:45 2017-01-01 00:19:41
foo 3 2017-01-01 00:19:41 2017-01-01 00:25:41
bar 3 2017-01-01 00:25:41 2017-01-01 00:37:36
bar 2 2017-01-01 00:37:36 2017-01-01 01:01:29
foo 2 2017-01-01 01:01:29 2017-01-01 01:19:25
bar 2 2017-01-01 01:25:22 None
我尝试了以下聚合,它可以有效地删除 var1
和 var2
的重复数据,并提供每个组的最小和最大时间戳:
output = test.groupby(['var1','var2'])['timestamp'].agg(['min','max']).reset_index()
output
var1 var2 min max
bar 2 2017-01-01 00:37:36 2017-01-01 01:25:22
bar 3 2017-01-01 00:25:41 2017-01-01 00:25:41
foo 2 2017-01-01 00:07:45 2017-01-01 01:01:34
foo 3 2017-01-01 00:19:41 2017-01-01 00:19:41
但是,var1
和 var2
可能会随着时间的推移而更改并恢复为相同的原始值,因此 min/max 函数不起作用,因为 var1
和 var2
应该随着时间的推移与同一列中的先前值进行比较,类似于但不完全是 shift()
方法的作用。
pandas 或 numpy 中是否有一种有效的方法,类似于 R 中的 rle() 方法,可以对此类运行进行分组或分区,并将下一次运行的最小时间戳作为其最大值?真实数据集超过 1000 万行。如有任何建议,我们将不胜感激!
最佳答案
对于连续分组,您可以对 (df.col != df.col.shift()).cumsum() 进行分组
您希望将其用于任一列,以便可以 |
将它们放在一起。
>>> ((df.var1 != df.var1.shift()) | (df.var2 != df.var2.shift())).cumsum()
0 1
1 1
2 2
3 3
4 4
5 4
6 5
7 5
8 6
9 6
dtype: int64
分组+聚合
>>> cond = ((df.var1 != df.var1.shift()) | (df.var2 != df.var2.shift())).cumsum()
>>> output = df.groupby(cond).agg(
... var1=('var1', 'first'),
... var2=('var2', 'first'),
... min=('timestamp', 'min'),
... max=('timestamp', 'max')
... )
>>> output
var1 var2 min max
1 foo 2 2017-01-01 00:07:45 2017-01-01 00:13:42
2 foo 3 2017-01-01 00:19:41 2017-01-01 00:19:41
3 bar 3 2017-01-01 00:25:41 2017-01-01 00:25:41
4 bar 2 2017-01-01 00:37:36 2017-01-01 00:43:37
5 foo 2 2017-01-01 01:01:29 2017-01-01 01:01:34
6 bar 2 2017-01-01 01:19:25 2017-01-01 01:25:22
然后您可以将最大值设置为下一行的最小值:
>>> output['max'] = output['min'].shift(-1)
>>> output
var1 var2 min max
1 foo 2 2017-01-01 00:07:45 2017-01-01 00:19:41
2 foo 3 2017-01-01 00:19:41 2017-01-01 00:25:41
3 bar 3 2017-01-01 00:25:41 2017-01-01 00:37:36
4 bar 2 2017-01-01 00:37:36 2017-01-01 01:01:29
5 foo 2 2017-01-01 01:01:29 2017-01-01 01:19:25
6 bar 2 2017-01-01 01:19:25 NaN
关于python - 聚合 pandas 中的行重复(游程长度),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/66633109/