Pandas实例|自定义截断分组

作者：小小明

来自一位群友的需求：

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 pd

df = 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

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：

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

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