#python #pandas
#python #pandas
Вопрос:
У меня есть фрейм данных с 3 столбцами Replaced_ID
New_ID
и Installation Date
of New_ID
.
Каждый New_ID заменяет Replaced_ID.
Replaced_ID New_ID Installation Date (of New_ID)
3 5 16/02/2018
5 7 17/05/2019
7 9 21/06/2019
9 11 23/08/2020
25 39 16/02/2017
39 41 16/08/2018
Моя цель — получить фрейм данных, который включает в себя первую и последнюю запись последовательности. Меня волнует только первое значение Replaced_ID и последнее значение New_ID.
т.е. из вышеприведенного фрейма данных я хочу это
Replaced_ID New_ID Installation Date (of New_ID)
3 11 23/08/2020
25 41 16/08/2018
Насколько я могу себе представить, сортировка по дате и выполнение сдвига здесь не являются решением.
Кроме того, я пытался объединить столбцы New_ID
с Replaced_ID
помощью, но это не так, потому что он возвращает только предыдущую последовательность.
Мне нужно найти способ получить последовательность [3,5,7,9,11]
и [25,41]
объединить столбцы Replaced_ID
amp; New_ID
для всех строк.
Я забочусь в основном о получении первого Replaced_ID
значения и последнего New_ID
значения, а не Installation Date
потому, что я могу выполнить соединение в конце.
Есть идеи? Спасибо.
Комментарии:
1. Объедините интервалы в
Replaced_ID
иNew_ID
, а затем сопоставьте результатыNew_ID
с датой установки.2. Что вы подразумеваете под объединением интервалов?
Ответ №1:
Сначала давайте создадим фрейм данных:
import pandas as pd
import numpy as np
from io import StringIO
data = """Replaced_ID,New_ID,Installation Date (of New_ID)
3,5,16/02/2018
5,7,17/05/2019
7,9,21/06/2019
9,11,23/08/2020
25,39,16/02/2017
39,41,16/08/2018
11,14,23/09/2020
41,42,23/10/2020
"""
### note that I've added two rows to check whether it works with non-consecutive rows
### defining some short hands
r = "Replaced_ID"
n = "New_ID"
i = "Installation Date (of New_ID)"
df = pd.read_csv(StringIO(data),header=0,parse_dates=True,sep=",")
df[i] = pd.to_datetime(df[i], )
А теперь для моего фактического решения:
a = df[[r,n]].values.flatten()
### returns a flat list of r and n values which clearly show duplicate entries, i.e.:
# [ 3 5 5 7 7 9 9 11 25 39 39 41 11 14 41 42]
### now only get values that occur once,
# and reshape them nicely, such that the first column gives the lowest (replaced) id,
# and the second column gives the highest (new) id, i.e.:
# [[ 3 14]
# [25 42]]
u, c = np.unique( a, return_counts=True)
res = u[c == 1].reshape(2,-1)
### now filter the dataframe where "New_ID" is equal to the second column of res, i.e. [14,42]:
# and replace the entries in "r" with the "lowest possible values" of r
dfn = df[ df[n].isin(res[:,1].tolist()) ]
# print(dfn)
dfn.loc[:][r] = res[:,0]
print(dfn)
Что дает:
Replaced_ID New_ID Installation Date (of New_ID)
6 3 14 2020-09-23
7 25 42 2020-10-23
Комментарии:
1. Это решение работает здесь, потому что максимальный идентификатор для каждой последовательности меньше минимального значения для следующей последовательности. Здесь
u, c = np.unique( a, return_counts=True)
выполняется сортировка. Если вы замените значения идентификатора 11 на 100, результат должен быть false . Несмотря на то, что мне нужно решение, как я описываю здесь (11 заменено на 100, я отмечу ответ @Asmus как правильный , потому что он решает проблему, которую я описал. Сейчас я думаю о том, как преодолеть эти конкретные случаи. Сгенерированные новые идентификаторы больше, чем замененные идентификаторы из других последовательностей.
Ответ №2:
Предполагая, что даты отсортированы, вы можете создать вспомогательный ряд, а затем groupby и aggregate:
df['Installation Date (of New_ID)']=pd.to_datetime(df['Installation Date (of New_ID)'])
s = df['Replaced_ID'].ne(df['New_ID'].shift()).cumsum()
out = df.groupby(s).agg(
{"Replaced_ID":"first","New_ID":"last","Installation Date (of New_ID)":"last"}
)
print(out)
Replaced_ID New_ID Installation Date (of New_ID)
1 3 11 2020-08-23
2 25 41 2018-08-16
Вспомогательный ряд s
помогает различать группы, сравнивая Replaced_ID
со следующим значением New_ID
, и когда они не совпадают, он возвращает True . Затем с помощью series.cumsum
мы возвращаем сумму по ряду для создания отдельных групп:
print(s)
0 1
1 1
2 1
3 1
4 2
5 2
Комментарии:
1. Спасибо за ваш ответ. Попробовав это, я заметил 2 вещи (после сортировки дат): 1) фрейм данных out содержит только строки как есть. Он не возвращает начальное значение Replaced_ID и конечное значение New_ID. 2) выходной фрейм данных содержит все промежуточные строки. Что касается моего примера, то dataframe out содержит строки для Replaced_ID 5 и Replaced_ID 7. Обратите внимание, что сортировка по дате не означает, что строки будут ссылаться на одну и ту же последовательность пар. В результате s вернет True почти для всех строк.