在pandas数据框中为分组添加顺序计数列

Question

我觉得有比这个更好的方法：

import pandas as pd
df = pd.DataFrame(
    columns="   index    c1    c2    v1 ".split(),
    data= [
            [       0,  "A",  "X",    3, ],
            [       1,  "A",  "X",    5, ],
            [       2,  "A",  "Y",    7, ],
            [       3,  "A",  "Y",    1, ],
            [       4,  "B",  "X",    3, ],
            [       5,  "B",  "X",    1, ],
            [       6,  "B",  "X",    3, ],
            [       7,  "B",  "Y",    1, ],
            [       8,  "C",  "X",    7, ],
            [       9,  "C",  "Y",    4, ],
            [      10,  "C",  "Y",    1, ],
            [      11,  "C",  "Y",    6, ],]).set_index("index", drop=True)
def callback(x):
    x['seq'] = range(1, x.shape[0] + 1)
    return x
df = df.groupby(['c1', 'c2']).apply(callback)
print df

为了实现这个：

   c1 c2  v1  seq
0   A  X   3    1
1   A  X   5    2
2   A  Y   7    1
3   A  Y   1    2
4   B  X   3    1
5   B  X   1    2
6   B  X   3    3
7   B  Y   1    1
8   C  X   7    1
9   C  Y   4    1
10  C  Y   1    2
11  C  Y   6    3

有没有什么办法可以不使用回调函数来做到这一点？

Answer 1

你可以使用groupby和cumcount这两个函数来实现你想要的结果。

import pandas as pd

data = {'col': ['A', 'B', 'A', 'A', 'A', 'A', 'A', 'B', 'B', 'A']}
df = pd.DataFrame(data)

df['counts'] = df.groupby('col').cumcount() + 1

df

Answer 2

Jeff的回答很简洁，但我更喜欢明确地排序……不过一般情况下，我不会直接覆盖我的数据框（df），特别是在这种情况下（比如Shaina Raza的回答）。

所以，如果你想在每个（'c1', 'c2'）组内，按照'v1'的顺序创建一个新列，可以这样做：

df["seq"] = df.sort_values(by=['c1','c2','v1']).groupby(['c1','c2']).cumcount()

你可以用以下方法检查：

df.sort_values(by=['c1','c2','seq'])

或者，如果你想直接覆盖原来的数据框，可以这样：

df = df.sort_values(by=['c1','c2','seq']).reset_index()

Answer 3

如果你有一个像下面这样的数据表（dataframe），并且想要通过从 c1 或 c2 列构建一个 seq 列，也就是说，想要记录相似值的数量（或者直到出现某个标记为止），那么继续往下看。

df = pd.DataFrame(
    columns="  c1      c2    seq".split(),
    data= [
            [ "A",      1,    1 ],
            [ "A1",     0,    2 ],
            [ "A11",    0,    3 ],
            [ "A111",   0,    4 ],
            [ "B",      1,    1 ],
            [ "B1",     0,    2 ],
            [ "B111",   0,    3 ],
            [ "C",      1,    1 ],
            [ "C11",    0,    2 ] ])

首先，你需要找到每组的开始点。这里用到了 str.contains()（和 eq()），但其实任何能生成布尔序列的方法，比如 lt()、ne()、isna() 等等，都可以用。接着，你可以对这个布尔序列使用 cumsum()，这样就能创建一个序列，其中每组都有一个独特的标识值。然后，你可以把这个标识值用作 groupby().cumsum() 操作的分组依据。

总之，使用下面类似的代码就可以了。

# build a grouper Series for similar values
groups = df['c1'].str.contains("A$|B$|C$").cumsum()

# or build a grouper Series from flags (1s)
groups = df['c2'].eq(1).cumsum()

# groupby using the above grouper
df['seq'] = df.groupby(groups).cumcount().add(1)

Answer 4

这可能会很有用

df = df.sort_values(['userID', 'date'])
grp = df.groupby('userID')['ItemID'].aggregate(lambda x: '->'.join(tuple(x))).reset_index()
print(grp)

它会生成一个像这样的序列

Answer 5

使用 cumcount()，具体可以查看文档 这里

In [4]: df.groupby(['c1', 'c2']).cumcount()
Out[4]: 
0     0
1     1
2     0
3     1
4     0
5     1
6     2
7     0
8     0
9     0
10    1
11    2
dtype: int64

如果你想要从1开始的排序

In [5]: df.groupby(['c1', 'c2']).cumcount()+1
Out[5]: 
0     1
1     2
2     1
3     2
4     1
5     2
6     3
7     1
8     1
9     1
10    2
11    3
dtype: int64