在 pandas 数据框中查找连续段答案

【问题标题】：Finding consecutive segments in a pandas data frame在 pandas 数据框中查找连续段
【发布时间】：2013-01-16 12:31:42
【问题描述】：

我有一个 pandas.DataFrame，在连续的时间点进行测量。随着每次测量，被观察的系统在每个时间点都有不同的状态。因此，DataFrame 还包含一个列，其中包含每次测量时系统的状态。状态变化比测量间隔慢得多。因此，指示状态的列可能如下所示（索引：状态）：

有没有一种简单的方法可以检索每个连续相等状态段的索引。这意味着我想得到这样的东西：

[[1,2,3,4], [5,6,7,8], [9,10,11,12,13]]

结果也可能与普通列表不同。

目前我能想到的唯一解决方案是手动迭代行，找到段变化点并从这些变化点重建索引，但我希望有一个更简单的解决方案。

【问题讨论】：

标签： python pandas

【解决方案1】：

单线：

df.reset_index().groupby('A')['index'].apply(np.array)

代码示例：

In [1]: import numpy as np

In [2]: from pandas import *

In [3]: df = DataFrame([3]*4+[4]*4+[1]*4, columns=['A'])
In [4]: df
Out[4]:
    A
0   3
1   3
2   3
3   3
4   4
5   4
6   4
7   4
8   1
9   1
10  1
11  1

In [5]: df.reset_index().groupby('A')['index'].apply(np.array)
Out[5]:
A
1    [8, 9, 10, 11]
3      [0, 1, 2, 3]
4      [4, 5, 6, 7]

您也可以直接从 groupby 对象中获取信息：

In [1]: grp = df.groupby('A')

In [2]: grp.indices
Out[2]:
{1L: array([ 8,  9, 10, 11], dtype=int64),
 3L: array([0, 1, 2, 3], dtype=int64),
 4L: array([4, 5, 6, 7], dtype=int64)}

In [3]: grp.indices[3]
Out[3]: array([0, 1, 2, 3], dtype=int64)

要解决 DSM 提到的情况，您可以执行以下操作：

In [1]: df['block'] = (df.A.shift(1) != df.A).astype(int).cumsum()

In [2]: df
Out[2]:
    A  block
0   3      1
1   3      1
2   3      1
3   3      1
4   4      2
5   4      2
6   4      2
7   4      2
8   1      3
9   1      3
10  1      3
11  1      3
12  3      4
13  3      4
14  3      4
15  3      4

现在按两列分组并应用 lambda 函数：

In [77]: df.reset_index().groupby(['A','block'])['index'].apply(np.array)
Out[77]:
A  block
1  3          [8, 9, 10, 11]
3  1            [0, 1, 2, 3]
   4        [12, 13, 14, 15]
4  2            [4, 5, 6, 7]

【讨论】：

这假定值不会在不连续的段中重复——例如，DataFrame([3]*4+[4]*4+[1]*4 + [3]*4, columns=['A']) 会将两组 3 放入同一组中。您可以扫描它们以查找中断，但这只是原始问题的另一个版本。不过，也许有一种方法可以让 pandas groupby 在此处表现得更像 itertools.groupby。
谢谢，您的第二个解决方案效果很好。我其实有帝斯曼描述的情况。
如果您想按一些偏差进行分组（例如，组包含所有值都在原始集合中相邻值的 +-1 范围内的值），该怎么办？
@ryanjdillon 你可以试试df['block'] = (df.A.diff(1).abs() > 1).cumsum()。但这只检查相邻值的差异，所以如果你有DataFrame([3]*4+[4]*4+[5]*1+[6]*3, columns=['A'])，它仍然会产生一个块。
值得注意的是，您实际上并不需要“astype(int)”——pandas 恰好可以对布尔值求和。

【解决方案2】：

您可以使用 np.diff() 来测试段的开始/结束位置并迭代这些结果。它是一个非常简单的解决方案，因此可能不是最有效的解决方案。

a = np.array([3,3,3,3,3,4,4,4,4,4,1,1,1,1,4,4,12,12,12])

prev = 0
splits = np.append(np.where(np.diff(a) != 0)[0],len(a)+1)+1

for split in splits:
    print np.arange(1,a.size+1,1)[prev:split]
    prev = split

结果：

[1 2 3 4 5]
[ 6  7  8  9 10]
[11 12 13 14]
[15 16]
[17 18 19]

【讨论】：

谢谢，实际上 Zelazny7 的解决方案更方便，因为我喜欢将段存储在 DataFrame 中，它会自动实现这一点。
谢谢罗格。 np.diff() 是一个很好的建议。