Pandas 数据框 - 在集群内运行总和

Question

我有

    x  cluster_id
0   1      1
1   3      1
2   2      2
3   5      2
4   4      3

我要生成

    x  cluster_id   s
0   1      1        1
1   3      1        4
2   2      2        3
3   5      2        7
4   4      3        4

即s 是 x 的运行总和，但它会在集群 id 更改时重置。这是如何实现的？

或者，如果它更容易，它可能是好的

    x  cluster_id   s
0   1      1        4
1   3      1        4
2   2      2        7
3   5      2        7
4   4      3        4

即同一个簇内s的所有值都相同，对应簇内的总和。

另外，我想对其进行二次抽样，以便保留每个集群的最后一行：

    x  cluster_id   s
1   3      1        4
3   5      2        7
4   4      3        4

（请注意，所有集群 ID 都不同）。我该怎么做？

Answer 1

您可以使用.cumsum() 和.groupby() 获得运行总数

>>> df
   x  cluster_id
0  1           1
1  3           1
2  2           2
3  5           2
4  4           3
>>> df['s'] = df.groupby('cluster_id').cumsum()
>>> df
   x  cluster_id  s
0  1           1  1
1  3           1  4
2  2           2  2
3  5           2  7
4  4           3  4

然后只获取每个cluster_id 的最后一行：

>>> df.groupby('cluster_id').last().reset_index()
   cluster_id  x  s
0           1  3  4
1           2  5  7
2           3  4  4