Pandas 数据框 - 集群内的累积和

Question

我有

    x  cluster_id
0   1      1
1   3      1
2   2      2
3   5      2
4   4      3

我想生成

    x  cluster_id   s
0   1      1        1
1   3      1        4
2   2      2        3
3   5      2        7
4   4      3        4

也就是说，s 是 x 的运行总和，但当集群 ID 变化时，它会被重置。这个是怎么做到的呢？

另外，如果这样更简单的话，可以考虑这样做

    x  cluster_id   s
0   1      1        4
1   3      1        4
2   2      2        7
3   5      2        7
4   4      3        4

也就是说，同一个集群内的所有 s 值都是相同的，并且对应于该集群的总和。

此外，我还想对这个数据进行抽样，以便保留每个集群的最后一行：

    x  cluster_id   s
1   3      1        4
3   5      2        7
4   4      3        4

（注意所有的集群 ID 都是不同的）。我该怎么做呢？

Answer 1

你可以使用 .cumsum() 和 .groupby() 来计算运行总和。

>>> df
   x  cluster_id
0  1           1
1  3           1
2  2           2
3  5           2
4  4           3
>>> df['s'] = df.groupby('cluster_id').cumsum()
>>> df
   x  cluster_id  s
0  1           1  1
1  3           1  4
2  2           2  2
3  5           2  7
4  4           3  4

然后，如果你只想要每个 cluster_id 的最后一行数据，可以这样做：

>>> df.groupby('cluster_id').last().reset_index()
   cluster_id  x  s
0           1  3  4
1           2  5  7
2           3  4  4