基于Pandas的连续数值分组与条件筛选教程

本文旨在讲解如何使用Pandas对DataFrame中连续的数值进行分组，并根据特定条件筛选分组后的数据。我们将以一个实际案例出发，演示如何根据'a'列的连续1值进行分组，并在每个分组中筛选出'b'列第一个值为1且分组长度大于1的数据。通过本文的学习，你将掌握Pandas中groupby、transform、filter等函数的灵活运用，提升数据处理能力。

数据准备

首先，我们创建一个DataFrame，用于演示分组和筛选操作。

import pandas as pd

df = pd.DataFrame({
    'a': [1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0],
    'b': [-1, 1, 1, -1, 1, -1, -1, 1, -1, -1, 1, 1, -1, -1]
})

print(df)

输出结果如下：

    a  b
0   1 -1
1   1  1
2   1  1
3   0 -1
4   1  1
5   0 -1
6   1 -1
7   1  1
8   0 -1
9   0 -1
10  1  1
11  1  1
12  0 -1
13  0 -1

连续数值分组

我们的目标是根据'a'列中连续的1值进行分组，并且包含每个连续1值序列后的第一个0值所在的行。为了实现这个目标，我们需要创建一个分组器。

g = df['a'].eq(0).cumsum().sub(df['a'].eq(0))
print(g)

这行代码的作用是：

1. df['a'].eq(0)：创建一个布尔Series，标记'a'列中值为0的位置为True，否则为False。
2. .cumsum()：对布尔Series进行累加，每次遇到True时，累加值加1。这样，每个连续的1值序列及其后的第一个0值都会被赋予相同的累加值。
3. .sub(df['a'].eq(0))：从累加值中减去df['a'].eq(0)，这一步是为了确保每个连续1值序列的起始位置的组号是正确的。

条件筛选

现在我们已经有了分组器g，接下来我们需要根据条件筛选分组后的数据。筛选条件是：

1. 每个分组中'b'列的第一个值为1。
2. 每个分组的长度大于1。

我们可以使用transform函数来实现这两个条件：

Nanonets

基于AI的自学习OCR文档处理，自动捕获文档数据

下载

cond1 = df.groupby(g)['b'].transform('first').eq(1)
cond2 = df.groupby(g)['b'].transform('count').gt(1)

解释：

• df.groupby(g)['b'].transform('first')：计算每个分组中'b'列的第一个值，并将其广播到整个分组。
• .eq(1)：判断每个分组中'b'列的第一个值是否等于1，生成一个布尔Series。
• df.groupby(g)['b'].transform('count')：计算每个分组的长度，并将其广播到整个分组。
• .gt(1)：判断每个分组的长度是否大于1，生成一个布尔Series。

数据提取

最后，我们将满足两个条件的分组提取出来：

out = [d for _, d in df[cond1 & cond2].groupby(g)]
print(out)

这行代码的作用是：

1. cond1 & cond2：将两个布尔Series进行逻辑与操作，得到一个包含同时满足两个条件的行的布尔Series。
2. df[cond1 & cond2]：根据布尔Series筛选DataFrame，得到满足条件的行。
3. .groupby(g)：再次根据分组器g对筛选后的DataFrame进行分组。
4. [d for _, d in ...]：使用列表推导式提取每个分组的DataFrame。

输出结果如下：

[   a  b
4   1  1
5   0 -1,
     a  b
10  1  1
11  1  1
12  0 -1]

完整代码

以下是完整的代码：

import pandas as pd

df = pd.DataFrame({
    'a': [1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0],
    'b': [-1, 1, 1, -1, 1, -1, -1, 1, -1, -1, 1, 1, -1, -1]
})

g = df['a'].eq(0).cumsum().sub(df['a'].eq(0))
cond1 = df.groupby(g)['b'].transform('first').eq(1)
cond2 = df.groupby(g)['b'].transform('count').gt(1)
out = [d for _, d in df[cond1 & cond2].groupby(g)]

print(out)

总结

本文详细介绍了如何使用Pandas对DataFrame中连续的数值进行分组，并根据特定条件筛选分组后的数据。通过groupby、transform和条件筛选，我们可以灵活地处理复杂的数据分析任务。在实际应用中，可以根据具体需求调整分组器和筛选条件，以满足不同的数据处理需求。