recorrer - pandas python tutorial español pdf

panda dataframe: cómo contar el número de 1 filas en una columna binaria?

Question

Tengo el siguiente Dataframe de pandas:

import pandas as pd
import numpy as np

df = pd.DataFrame({"first_column": [0, 0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]})

>>> df
    first_column
0              0
1              0
2              0
3              1
4              1
5              1
6              0
7              0
8              1
9              1
10             0
11             0
12             0
13             0
14             1
15             1
16             1
17             1
18             1
19             0
20             0

first_column es una columna binaria de 0 y 1. Hay "clusters" de consecutivos, que siempre se encuentran en pares de al menos dos.

Mi objetivo es crear una columna que "cuente" el número de filas de unos por grupo:

>>> df
    first_column    counts
0              0        0
1              0        0
2              0        0
3              1        3
4              1        3
5              1        3
6              0        0
7              0        0
8              1        2
9              1        2
10             0        0
11             0        0
12             0        0
13             0        0
14             1        5
15             1        5
16             1        5
17             1        5
18             1        5
19             0        0
20             0        0

Esto suena como un trabajo para df.loc() , por ejemplo, df.loc[df.first_column == 1] ... algo

Simplemente no estoy seguro de cómo tener en cuenta cada "grupo" individual de unos, y cómo etiquetar cada uno de los clústeres únicos con el "recuento de filas".

¿Cómo podría uno hacer esto?

Answer 1

Aquí hay otro enfoque con pandas groupby, que creo que es bastante legible. Una (posible) ventaja es que no se basa en la suposición de que solo 1 y 0 están presentes en la columna.

La idea principal es crear grupos de valores consecutivos y luego simplemente calcular su longitud. También llevamos la información del valor en el grupo, por lo que podemos filtrar por ceros.

# Relevant column -> grouper needs to be 1-Dimensional
col_vals = df[''first_column'']

# Group by sequence of consecutive values and value in the sequence.
grouped = df.groupby(((col_vals!=col_vals.shift(1)).cumsum(), col_vals))

# Get the length of consecutive values if they are different from zero, else zero
df[''counts''] = grouped[''first_column''].transform(lambda group: len(group))/
                                      .where(col_vals!=0, 0)

Así es como se ven los grupos y las claves:

for key, group in grouped:
    print key, group

(1, 0)    first_column
0             0
1             0
2             0
(2, 1)    first_column
3             1
4             1
5             1
(3, 0)    first_column
6             0
7             0
(4, 1)    first_column
8             1
9             1
(5, 0)     first_column
10             0
11             0
12             0
13             0
(6, 1)     first_column
14             1
15             1
16             1
17             1
18             1
(7, 0)     first_column
19             0
20             0

Answer 2

Aquí hay un enfoque con NumPy''s cumsum y bincount -

def cumsum_bincount(a):  
    # Append 0 & look for a [0,1] pattern. Form a binned array based off 1s groups
    ids = a*(np.diff(np.r_[0,a])==1).cumsum()

    # Get the bincount, index into the count with ids and finally mask out 0s
    return a*np.bincount(ids)[ids]

Ejecución de muestra -

In [88]: df[''counts''] = cumsum_bincount(df.first_column.values)

In [89]: df
Out[89]: 
    first_column  counts
0              0       0
1              0       0
2              0       0
3              1       3
4              1       3
5              1       3
6              0       0
7              0       0
8              1       2
9              1       2
10             0       0
11             0       0
12             0       0
13             0       0
14             1       5
15             1       5
16             1       5
17             1       5
18             1       5
19             0       0
20             0       0

Configure los primeros 6 elems para que sean 1s y luego pruebe -

In [101]: df.first_column.values[:5] = 1

In [102]: df[''counts''] = cumsum_bincount(df.first_column.values)

In [103]: df
Out[103]: 
    first_column  counts
0              1       6
1              1       6
2              1       6
3              1       6
4              1       6
5              1       6
6              0       0
7              0       0
8              1       2
9              1       2
10             0       0
11             0       0
12             0       0
13             0       0
14             1       5
15             1       5
16             1       5
17             1       5
18             1       5
19             0       0
20             0       0

Answer 3

• Como first_column es binario, puedo usar astype(bool) para obtener True / False
• Si tomo el opuesto de esos y cumsum obtengo una forma práctica de agrupar los True s o 1 s
• Luego me groupby y count con transform
• transform difunde la agregación de count en el índice original
• Primero uso where agrupar todos los 0 s juntos.
• Uso where nuevamente para establecer sus conteos a 0
• Yo uso assign para generar una copia de df con una nueva columna. Esto se debe a que no quiero golpear al df que ya tenemos. Si quiere escribir directamente a df use df[''counts''] = c

t = df.first_column.astype(bool)
c = df.groupby((~t).cumsum().where(t, -1)).transform(''count'').where(t, 0)
df.assign(counts=c)

    first_column  counts
0              0       0
1              0       0
2              0       0
3              1       3
4              1       3
5              1       3
6              0       0
7              0       0
8              1       2
9              1       2
10             0       0
11             0       0
12             0       0
13             0       0
14             1       5
15             1       5
16             1       5
17             1       5
18             1       5
19             0       0
20             0       0