Pandas DataFrame：每个数据帧的不同列中按顺序的相同值的数量

Question

假设我在Python中有一个pandas数据框，它显示了不同单位的业务部门负责人的名字。可能看起来像这样

          Leader_Jan Leader_Feb Leader_Mar Leader_Apr
Unit1       Nina       Nina       Nina       Nina
Unit2       Lena       Lena        NaN       Lena
Unit3       Alex      Maria       Alex       Alex
Unit4     Emilia        NaN        NaN        NaN
Unit5        NaN    Corinna      Petra        NaN

可以像这样重新创建：

import pandas as pd
import numpy as np
a = ['Nina','Nina','Nina','Nina']
b = ['Lena','Lena',np.NaN,'Lena']
c = ['Alex','Maria','Alex','Alex']
d = ['Emilia',np.NaN,np.NaN,np.NaN]
e = [np.NaN,'Corinna','Petra',np.NaN]
data = pd.DataFrame(data=[a,b,c,d,e], columns =['Leader_Jan','Leader_Feb','Leader_Mar','Leader_Apr'], index=['Unit1','Unit2','Unit3','Unit4','Unit5'])

背景：我想了解哪些单位的领导在哪些单位停留的时间很短或很长（以月为单位），以便以后了解我公司的特定单位是否存在团队冲突。

我想在数据框中添加每个单位的最小值和最大值（以月为单位），即领导者在一个不间断期间在那里的时间。由于可能的中断（见第2单元和第3单元），我不能只对每行中的不同名称使用值\计数。我更需要找出由NaN值和其他名称分隔的不同领导者名称序列的长度。要查看我认为的序列，请检查此照片中的不同颜色：

如你所见，第二单元和第三单元中的中断应该会导致多个停留时间。不应计算序列中的月份数。你知道吗

结果应该如下所示：

      Leader_Jan Leader_Feb Leader_Mar Leader_Apr  Min_length_of_stay_leaders  \
Unit1       Nina       Nina       Nina       Nina                           4   
Unit2       Lena       Lena        NaN       Lena                           1   
Unit3       Alex      Maria       Alex       Alex                           1   
Unit4     Emilia        NaN        NaN        NaN                           1   
Unit5        NaN    Corinna      Petra        NaN                           1   

       Max_length_of_stay_leaders  
Unit1                           4  
Unit2                           2  
Unit3                           2  
Unit4                           1  
Unit5                           1 

我知道这可能是相当复杂的后续，但我会喜欢任何类型的帮助/提示等，因为我有点迷失在这里。你知道吗

Answer 1

实际上，使用itertools.groupby非常容易：

from itertools import groupby

def min_max_durations(row):
    # the group object consumes the iterator, but we don't care about the values 
    # so we just sum "1" to get the length.
    # Taken from https://stackoverflow.com/questions/44490079/how-to-turn-an-itertools-grouper-object-into-a-list
    durations = [sum(1 for _ in group) for key, group in groupby(row) if not isinstance(key, float)]
    return min(durations), max(durations)

data["min_lengths_of_stay"], data["max_lengths_of_stay"] = zip(*data.apply(min_max_durations, axis=1))

对float的实例检查只是从计数中移除NaN值的一种快速方法，您可以将其任意复杂化。你知道吗

这将输出正确的结果（请注意，复制粘贴复制代码在Unit3中有3个“Alex”条目，与您的示例不同）

      Leader_Jan Leader_Feb Leader_Mar Leader_Apr  min_lengths_of_stay  \
Unit1       Nina       Nina       Nina       Nina                    4   
Unit2       Lena       Lena        NaN       Lena                    1   
Unit3      Maria       Alex       Alex       Alex                    1   
Unit4     Emilia        NaN        NaN        NaN                    1   
Unit5        NaN    Corinna      Petra        NaN                    1   
       max_lengths_of_stay  
Unit1                    4  
Unit2                    2  
Unit3                    3  
Unit4                    1  
Unit5                    1  

Answer 2

这会让你开始-

temp = df.apply(lambda x: x.groupby((x != x.shift()).cumsum()).cumcount()+1, axis=1)

mins = temp.min(1)
maxs = temp.max(1)
mask = temp.apply(lambda x: x.is_monotonic_increasing and x.is_unique, axis=1)
mins.loc[mask] = maxs.loc[mask]
mins.name='Min_length_of_stay_leaders'
maxs.name='Max_length_of_stay_leaders'

df.join(mins).join(maxs)

输出

      Leader_Jan Leader_Feb Leader_Mar Leader_Apr  Min_length_of_stay_leaders  \
Unit1       Nina       Nina       Nina       Nina                           4   
Unit2       Lena       Lena        NaN       Lena                           1   
Unit3       Alex      Maria       Alex       Alex                           1   
Unit4     Emilia        NaN        NaN        NaN                           1   
Unit5        NaN    Corinna      Petra        NaN                           1   

       Max_length_of_stay_leaders  
Unit1                           4  
Unit2                           2  
Unit3                           2  
Unit4                           1  
Unit5                           1 

解释

temp = df.apply(lambda x: x.groupby((x != x.shift()).cumsum()).cumcount()+1, axis=1)

这将为您提供按名称分组的连续领导者计数-

    Leader_Jan  Leader_Feb  Leader_Mar  Leader_Apr
Unit1   1   2   3   4
Unit2   1   2   1   1
Unit3   1   1   1   2
Unit4   1   1   1   1
Unit5   1   1   1   1

只需提取max和min-

mins = temp.min(1)
maxs = temp.max(1)

问题就出现在Nina身上——她一直在工作，所以在这种情况下min也需要是4。你知道吗

因此，对于边的情况，mask对象检测严格单调递增的序列，如果是这样的话，则替换为max。你知道吗

我仍然不确定它是否适用于所有情况，所以请检查