Pandas基于列值的度量求和行

Question

我有一个数据帧df的形式

 type  | time   | value
------------------------
  a    |    1.2 |  1
  a    |    1.3 |  3
  a    |    2.1 |  4
  a    |    2.3 |  6
  b    |    2   |  21
  b    |    3   |  3
  .         .      .
  .         .      .

对于所有行，是否有任何可行的方法来合并（求和）给定类型中时间戳差小于（例如1）的所有后续行？ 所以在这个例子中，第二行和第三行应该添加到第一行，输出应该是

 type  | time   | value
------------------------
  a    |    1.2 |  8
  a    |    2.3 |  6
  b    |    2   |  21
  b    |    3   |  3
  .         .      .
  .         .      .

通常，我只需迭代每一行，将满足约束的所有后续行的值添加到活动行，然后删除从dataframe添加值的所有行。但考虑到“您永远不应该修改您正在迭代的内容”，我不完全确定如何安全地使用panda 但遗憾的是，我也不明白如何用一次应用于整个数据帧的任何操作来实现这一点。你知道吗

编辑：我发现了一个非常粗略的方法来使用while循环。在每次迭代中，它只会将下一行添加到之前没有时间戳小于1的相同类型行的行中：

df['nexttime']= df['time'].shift(-1)
df['nexttype']= df['type'].shift(-1)
df['lasttime']= df['time'].shift(1)
df['lasttype']= df['type'].shift(1)
df['nextvalue'] = df['value'].shift(-1)

while df.loc[(df.type == df.nexttype) & ((df.time - df.lasttime >1) | (df.type != df.lasttype)) &  (df.time - df.nexttime <=1 ),'value'].any():
    df.loc[(df.type == df.nexttype) & ((df.time - df.lasttime >1 ) | (df.type != df.lasttype)) &  (df.time - df.nexttime <=1  ),'value'] = df.loc[(df.type == df.nexttype) & ((df.time - df.lasttime >1 ) | (df.type != df.lasttype)) &  (df.time - df.nexttime <=1  ),'value'] + df.loc[(df.type == df.nexttype) & ((df.time - df.lasttime >1 ) | (df.type != df.lasttype)) &  (df.time - df.nexttime <=1  ),'nextvalue']
    df = df.loc[~((df.shift(1).type == df.shift(1).nexttype) & ((df.shift(1).time - df.shift(1).lasttime >1 ) | (df.shift(1).type != df.shift(1).lasttype)) &  (df.shift(1).time - df.shift(1).nexttime <=1  ))]
    df['nexttime']= df['time'].shift(-1)
    df['nexttype']= df['type'].shift(-1)
    df['lasttime']= df['time'].shift(1)
    df['lasttype']= df['type'].shift(1)
    df['nextvalue'] = df['value'].shift(-1)

如果有更快的方法，我还是会很感兴趣的，因为这种循环显然不是很有效（特别是对于我使用的数据帧，它必须迭代数万次）。你知道吗