我基本上是在尝试循环遍历已分组的数据帧,并找到与输入参数值最接近的索引。
例如,给定下面的数据帧,对于global_id
定义的每个组,我希望分组以获取间隔至少10帧的帧。例如,如果我有一个帧列表[1,2,3,4,14,20,30,31],输出将是[1,14,30],因为
- 我将通过将帧1作为第一帧来初始化
- 间隔至少10帧的下一帧将是第14帧
- 以下与14相隔至少10帧的帧为30
因此,生成的前后数据帧应该如下所示
之前:
seq_name label pedestrian_id frame_no global_id
0 0001 crossing 0001 0001 1
1 0001 crossing 0001 0002 1
2 0001 crossing 0001 0003 1
3 0001 crossing 0001 0004 1
4 0001 crossing 0001 0005 1
5 0001 crossing 0001 0006 1
6 0001 crossing 0001 0007 1
7 0001 crossing 0001 0008 1
8 0001 crossing 0001 0009 1
9 0001 crossing 0001 0010 1
10 0001 crossing 0002 0001 2
11 0001 crossing 0002 0012 2
12 0001 crossing 0002 0013 2
13 0001 crossing 0002 0014 2
14 0001 crossing 0002 0015 2
15 0001 crossing 0002 0029 2
16 0001 crossing 0002 0030 2
17 0001 crossing 0002 0031 2
18 0001 crossing 0002 0032 2
19 0001 crossing 0002 0033 2
20 0002 crossing 0001 0034 3
21 0002 crossing 0001 0035 3
22 0002 crossing 0001 0036 3
23 0002 crossing 0001 0037 3
24 0002 crossing 0001 0038 3
25 0002 crossing 0001 0039 3
26 0002 crossing 0001 0049 3
27 0002 crossing 0001 0050 3
28 0002 crossing 0001 0051 3
29 0002 crossing 0001 0052 3
过滤后:
seq_name label pedestrian_id frame_no global_id
0 0001 crossing 0001 0001 1
10 0001 crossing 0002 0001 2
11 0001 crossing 0002 0012 2
15 0001 crossing 0002 0029 2
25 0002 crossing 0001 0039 3
26 0002 crossing 0001 0049 3
以下是我所拥有的。一旦我有了索引,我就可以通过从旧的索引创建一个新的数据帧。我还是熊猫的新手,它看起来非常笨重,所以我希望有一个更优雅的解决方案。
我已经阅读了groupby上的文档和其他一些SO帖子,但仍然无法理解。我只是想通过用Pandas替换所有东西来清理我的数据处理管道。
ind = []
for j in df["global_id"].unique():
df_temp = df[df["global_id"] == j][["frame_no"]]
df_temp["frame_no"] = pd.to_numeric(df["frame_no"])
start_frame = df_temp["frame_no"].min()
end_frame = df_temp["frame_no"].max()
i = start_frame-1
while i < end_frame:
ind.append(np.min(df_temp[(df_temp["frame_no"] > i) & (df_temp["frame_no"] < i+10)].index.tolist()))
i+=10
这里有一种使用groupby
的方法,但首先您需要定义一个函数来执行您在每个组中查找的操作。为了解释这个想法,让我们考虑一个简单的数据帧dfs = pd.DataFrame({'a':[1,2,3,4,14,20,30,31]})
一段时间以来,我一直在寻求解决这类问题,试图避免循环,这似乎很复杂。这是我最后的想法。在numpy中,您可以使用substract
和outer
来获得每个元素之间的所有差异,一对一
print (np.subtract.outer(dfs.a, dfs.a))
array([[ 0, -1, -2, -3, -13, -19, -29, -30],
[ 1, 0, -1, -2, -12, -18, -28, -29],
[ 2, 1, 0, -1, -11, -17, -27, -28],
[ 3, 2, 1, 0, -10, -16, -26, -27],
[ 13, 12, 11, 10, 0, -6, -16, -17],
[ 19, 18, 17, 16, 6, 0, -10, -11],
[ 29, 28, 27, 26, 16, 10, 0, -1],
[ 30, 29, 28, 27, 17, 11, 1, 0]], dtype=int64)
例如,在column 0
中,你可以看到差值>10
从row 4
开始,然后到column 4
,差值>10
从row 6
开始,到column 6
,你没有得到足够大的差值。因此,过滤将保留第0、4和6行,这是要查找的值[1、14、30]。要获得这些数字,您可以将np.substract.outer
与10进行比较,并将sum
与axis=0
进行比较,例如:
arr = (np.subtract.outer(dfs.a, dfs.a) <=10).sum(0)
print (arr)
array([4, 4, 4, 5, 6, 7, 8, 8])
现在您可以看到,在本例中,arr[0] = 4
、arr[4] = 6
和arr[6]=8
都超出了界限,所以停止。获取这些数字的一种方法是使用while
(如果有人有numpy
解决方案,我感兴趣(
list_ind = [0] # initialize list of index to keep with 0
arr = (np.subtract.outer(dfs.a, dfs.a) <=10).sum(0)
i = arr[0]
while i < len(arr):
list_ind.append(i)
i = arr[i]
print (list_ind)
[0, 4, 6]
print (dfs.iloc[list_ind])
a
0 1
4 14
6 30
现在有了整个问题和groupby
,你可以做:
# it seems you need to convert the column frame_no to integer
df['frame_int'] = pd.to_numeric(df['frame_no'])
df = df.sort_values('frame_int') #ensure data to be sorted by frame_int, whatever the global_id
#define the function looking for the ind
def find_ind (df_g):
list_ind = [0]
arr = (np.subtract.outer(df_g.frame_int, df_g.frame_int) <= 10).sum(0)
i = arr[0]
while i <len(arr):
list_ind.append(i)
i = arr[i]
return df_g.iloc[list_ind]
#create the filtered dataframe
df_filtered = (df.groupby('global_id').apply(find_ind)
.drop('frame_int',axis=1).reset_index(drop=True))
print (df_filtered)
seq_name label pedestrian_id frame_no global_id
0 1 crossing 1 1 1
1 1 crossing 2 1 2
2 1 crossing 2 12 2
3 1 crossing 2 29 2
4 2 crossing 1 34 3
5 2 crossing 1 49 3
如果要保留原始行的索引,可以在reset_index
中添加level=0
,例如reset_index(level=0,drop=True)
。