数据处理|Pandas实例|自定义截断分组

作者:小小明
来自一位群友的需求:
数据处理|Pandas实例|自定义截断分组
文章图片

求每个level列等于2之间的level等于1或3的dwell time的和。level列碰到2断开便断开,中间等于1或3的行,对dwell time列聚合求和。
要解决这个问题,只需要自定义分组规则即可。
首先,我们读取测试数据:
import pandas as pddf = pd.read_csv("20200922-02.csv") df

level dwell time dwell time of level 1+3
0 2 7.8750 NaN
1 3 0.9065 NaN
2 2 4.0000 NaN
3 1 0.5310 NaN
4 3 1.0625 NaN
13093 2 3.7500 NaN
13094 1 0.8750 NaN
13095 3 2.6250 NaN
13096 1 3.2500 NaN
13097 3 2.2500 NaN
13098 rows × 3 columns
为了排除level等于其他数值的数据的干扰,我们取出只需要处理的数据:
df.query('level in (1,2,3)', inplace=True)

level dwell time dwell time of level 1+3
0 2 7.8750 NaN
1 3 0.9065 NaN
2 2 4.0000 NaN
3 1 0.5310 NaN
4 3 1.0625 NaN
13093 2 3.7500 NaN
13094 1 0.8750 NaN
13095 3 2.6250 NaN
13096 1 3.2500 NaN
13097 3 2.2500 NaN
13030 rows × 3 columns
【数据处理|Pandas实例|自定义截断分组】开始计算分组id:
group_ids = [] num = 0 for i, level in df.level.iteritems(): if level == 2: num += 1 group_ids.append(None) else: group_ids.append(num) group_ids[:20]

结果:
[None, 1, None, 2, 2, None, 3, 3, 3, 3, 3, 3, None, 4, 4, None, 5, 5, None, 6]

只需要将不参与分组的对应行置为None即可,最终聚合结果将为空值。
计算结果:
df['dwell time of level 1+3'] = df.groupby(group_ids)['dwell time'].transform('sum') df

结果:
数据处理|Pandas实例|自定义截断分组
文章图片

已经顺利计算出结果,但如果严格要求聚合结果只出现在每组最后一行,计算过程就稍微麻烦一点。
主要是需要在计算分组序号的同时,保存结果行的位置,完整代码如下:
df = pd.read_csv("20200922-02.csv") df.query('level in (1,2,3)', inplace=True) group_ids = [] mask = [] num = 0 last_i, last_level = -1, 2 for i, level in df.level.iteritems(): if level == 2: num += 1 group_ids.append(None) if last_level != 2: mask.append(last_i) else: group_ids.append(num) last_i, last_level = i, level if last_level != 2: mask.append(last_i) df.loc[mask,'dwell time of level 1+3'] = df.groupby(group_ids)['dwell time'].sum().values df

数据处理|Pandas实例|自定义截断分组
文章图片

如果要求保留level不在[1,2,3]范围的行,可以先只对在[1,2,3]范围行进行计算,最终对原始数据进行赋值。
完整代码如下:
df = pd.read_csv("20200922-02.csv") tmp = df.query('level in (1,2,3)') group_ids = [] mask = [] num = 0 last_i, last_level = -1, 2 for i, level in tmp.level.iteritems(): if level == 2: num += 1 group_ids.append(None) if last_level != 2: mask.append(last_i) else: group_ids.append(num) last_i, last_level = i, level if last_level != 2: mask.append(last_i) df.loc[mask, 'dwell time of level 1+3'] = tmp.groupby(group_ids)['dwell time'].sum().values df

数据处理|Pandas实例|自定义截断分组
文章图片

    推荐阅读