python - Pandas 中按组标记序列

Question

我有以下数据框:

df = pd.DataFrame({'ID_1' : ['i1','i1','i1','i1','i1','i1','i1','i1'],
             'ID_2' : ['a1','a1','a1','a1','a2','a2','a2','a2'],
             'label':['a','b','b','a','a','a','a','b']})

我想获取每个组 ('ID_1' , 'ID_2') 的 'label' 序列的 id，以便输出为:

ID_1    ID_2    label   seq_id
i1      a1      a       1
i1      a1      b       2
i1      a1      b       2
i1      a1      a       3
i1      a2      a       1
i1      a2      a       1
i1      a2      a       1
i1      a2      b       2
 

如果该组不是一个问题，那么这会起作用:

df['id_seq'] = df['label'].shift(1) != df['label']).cumsum() 

所以我尝试用以下内容对其进行调整:

df['shifted_label'] = df.groupby(['ID_1','ID_2']).label.shift(1)
def get_sequence_group(grouped) :
    return (grouped['shifted_label'] != grouped['label']).cumsum()
df.groupby(['ID_1','ID_2']).apply(get_sequence_group)

但是它根本不起作用。想了解原因以及如何进行。谢谢!

Answer 1

为了保持其完全矢量化，我们可以使用 shift 对差异进行分组。这样我们就可以避免使用 apply

diff = df['label'].ne(df['label'].shift())
df['seq_id'] = diff.groupby([df['ID_1'], df['ID_2']]).cumsum()

  ID_1 ID_2 label  seq_id
0   i1   a1     a       1
1   i1   a1     b       2
2   i1   a1     b       2
3   i1   a1     a       3
4   i1   a2     a       0
5   i1   a2     a       0
6   i1   a2     a       0
7   i1   a2     b       1