有没有办法在Pandas
中获得任意长度的重复区间的开始和结束?目前,我正在使用一种破解shift()
的方法,我想知道是否有更好的方法
例如,我有一个DataFrame
,如下所示:
index category
0 blue
1 blue
2 blue
3 green
4 green
5 red
6 red
7 red
8 red
9 red
10 blue
11 blue
12 blue
13 blue
14 blue
15 blue
16 green
17 green
18 green
19 green
我想得到这个(或者至少这个信息(:
category start end
blue 0 2
green 3 4
red 5 9
blue 10 15
green 16 19
谢谢
试试这个:
df.groupby((df['category'] != df['category'].shift()).cumsum(),
as_index=False)[['category', 'index']]
.agg(category=('category','first'),
first=('index','first'),
last=('index','last'))
输出:
category first last
0 blue 0 2
1 green 3 4
2 red 5 9
3 blue 10 15
4 green 16 19
详细信息:
通过检查类别的下一个值是否不等于当前类别,并使用cumsum在数据中创建组,创建一个辅助序列。聚合这些组以获得第一个和最后一个索引以及类别。
虽然cumsum
+agg
解决方案运行良好,但它的扩展性不太好,也不适用于DatetimeIndex
,所以我使用掩码方法对其进行了测试,并获得了显著的加速。张贴在这里为未来的访客:
累计法
def get_interval_start_end_cumsum(df, col):
if df.index.name:
idx = df.index
df = df.reset_index()
else:
idx = df.reset_index().index
df = df.reset_index().groupby((df[col] != df[col].shift()).cumsum(), as_index = False)
.agg(category = (col, 'first'), first = ('index', 'first'), last=('index', 'last')
).rename(columns = {'category': col, 'first': 'start', 'last': 'end'})
for c in ['start', 'end']:
df[c] = df[c].apply(lambda x: idx[x])
return df
掩码方法
def get_interval_start_end_mask(df, col):
idx_name = df.index.name if df.index.name else 'index'
mask = (df[col] != df[col].shift()) | (df[col] != df[col].shift(-1))
df = deepcopy(df[mask].reset_index())
return pd.concat([
df.loc[df.index % 2 == 0].reset_index(drop = True).rename(columns = {idx_name: 'start'}),
df.loc[df.index % 2 != 0].reset_index(drop = True).rename(columns = {idx_name: 'end'}).end
], axis = 1)[[col, 'start', 'end']]
结果
问题中的示例DataFrame
%timeit get_interval_start_end_cumsum(df, 'colors')
>> 10.8 ms ± 547 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit get_interval_start_end_mask(df, 'colors')
>> 4.84 ms ± 57.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
350万行的真实数据
%timeit get_interval_start_end_cumsum(df, 'a_col')
>> 29.6 s ± 475 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit get_interval_start_end_mask(df, 'a_col')
>> 349 ms ± 9.64 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
正如你所看到的,mask方法可以很好地扩展,当处理大量数据时,它的运行时间提高了98.8%。
希望能有所帮助:(