python - 如何在 Python 中对数据框进行分组并汇总连续数字的子组？

Question

我有一个数据框，其中有一列包含 ids 和其他包含数字的列：

df1 = {'ID':[400, 400, 400, 400, 400, 400, 500, 500, 500, 500], 
      'Number':[1, 2, 3, 4, 8, 9, 22, 23, 26, 27]}

您可能会注意到，每个 ID 在“编号”列中都有相应的连续数字系列。例如：

Id 400 包含一系列长度为 4 {1, 2, 3, 4} 和另一个长度为 2 {8, 9}

我想为每个 ID 获得相应系列的平均长度。在这个例子中：

df2 = {'ID':[400, 500], 'avg_length':[3, 2]}

任何想法将不胜感激！

Answer 1

groupby+ cumsum+value_counts

您可以使用groupby自定义函数：

df = pd.DataFrame({'ID':[400, 400, 400, 400, 400, 400, 500, 500, 500, 500], 
                   'Number':[1, 2, 3, 4, 8, 9, 22, 23, 26, 27]})

def mean_count(x):
    return (x - x.shift()).ne(1).cumsum().value_counts().mean()

res = df.groupby('ID')['Number'].apply(mean_count).reset_index()

print(res)

    ID  Number
0  400     3.0
1  500     2.0

Answer 2

这是一种方法，使用 groupby 两次，

df1['tmp'] = (df1.Number - df1.Number.shift() > 1).cumsum()

df1.groupby(['ID', 'tmp']).Number.count().groupby(level = 0).mean().reset_index(name = 'avg_length')

2.29 ms ± 75.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

    ID  avg_length
0   400 3
1   500 2

选项 2：不使用 apply 两次，仍然使用之前创建的 tmp 列

df1.groupby('ID').tmp.apply(lambda x: x.value_counts().mean()).reset_index(name = 'avg_length')

2.25 ms ± 99.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)