我有一个看起来像这样的数据帧:
Datetime | Category | ID
--------------------------
2020-01-30 | A | 1
2020-02-01 | B | 1
2020-02-02 | A | 1
2020-02-20 | A | 1
2020-01-28 | B | 2
2020-01-29 | C | 2
2020-01-30 | C | 2
2020-01-31 | D | 2
2020-02-01 | D | 2
2020-02-02 | D | 2
2020-02-03 | C | 2
我想在行的 1 周窗口内(不包括当前行(获取每个 ID 的前 2 个最常见的类别。这在大熊猫身上可能吗?我试图做.rolling和.value_counts但它似乎不起作用。谢谢!
以下是我想获得的数据帧:
Datetime | Category | ID
--------------------------
2020-01-30 | NaN | 1
2020-02-01 | [A, ""] | 1
2020-02-02 | [A, B] | 1
2020-02-20 | NaN | 1
2020-01-28 | Nan | 2
2020-01-29 | [B,""] | 2
2020-01-30 | [B,C] | 2
2020-01-31 | [B,C] | 2
2020-02-01 | [C,D] | 2
2020-02-02 | [C,D] | 2
2020-02-03 | [C,D] | 2
谢谢!
编辑pd.get_dummies答案很好,但由于我的数据集很大,效率不高。如果有人对此有有效的解决方案,将不胜感激!谢谢!
您可以使用resample()
而不是rolling()
,因为您的时间索引频率是每天,并且您想要每周统计信息,因此请尝试如下操作:
df.groupby('ID').resample('1w').apply(lambda s: s.value_counts().head(2))
请注意,这仅适用于 Pandas 版本,其中apply()
将数据剥离成pd.Series
,而不是np.arrays
。此外,如果数据帧中有更多列,则可能需要在 lambda 函数中指定列名,即:
df.groupby('ID').resample('1w').apply(lambda s: s['Category'].value_counts().head(2))
如果您需要排除窗口中的第一行,请使用iloc[]
切片:
df.groupby('ID').resample('1w').apply(lambda s: s['Category'].iloc[1:].value_counts().head(2))