如何在Python中对数据帧进行分组并对连续数字的子组进行汇总？

Question

我有一个数据帧，其中一列包含ID，另一列包含数字：

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“Number”列中都有相应的连续数字序列。例如：

ID400包含一个长度为4{1，2，3，4}的序列和另一个长度为2{8，9}的序列

我想获得每个Id对应序列的平均长度。 在本例中：

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

任何想法都将不胜感激！你知道吗

Answer 1

^{}+^{}+^{}

可以将groupby与自定义函数一起使用：

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

这里有一种方法，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，仍然使用前面创建的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)