python - Pandas - for循环并查找具有最接近值的索引

Question

我基本上是在尝试遍历已分组的数据框，并找到与输入参数值最接近的索引。

例如，给定下面的数据帧，对于由 global_id 定义的每个组，我想分组以采用间隔至少 10 帧的帧。例如，如果我有一个帧列表 [1,2,3,4,14,20,30,31]，输出将是 [1,14,30]，因为

• 我会将第 1 帧作为第一帧进行初始化
• 至少相隔 10 帧的下一帧将是第 14 帧
• 与14相隔至少10帧的下一帧为30

因此，生成的前后数据帧应如下所示

之前:

       seq_name     label pedestrian_id  frame_no  global_id
0          0001  crossing          0001  0001         1
1          0001  crossing          0001  0002         1
2          0001  crossing          0001  0003         1
3          0001  crossing          0001  0004         1
4          0001  crossing          0001  0005         1
5          0001  crossing          0001  0006         1
6          0001  crossing          0001  0007         1
7          0001  crossing          0001  0008         1
8          0001  crossing          0001  0009         1
9          0001  crossing          0001  0010         1
10         0001  crossing          0002  0001         2
11         0001  crossing          0002  0012         2
12         0001  crossing          0002  0013         2
13         0001  crossing          0002  0014         2
14         0001  crossing          0002  0015         2
15         0001  crossing          0002  0029         2
16         0001  crossing          0002  0030         2
17         0001  crossing          0002  0031         2
18         0001  crossing          0002  0032         2
19         0001  crossing          0002  0033         2
20         0002  crossing          0001  0034         3
21         0002  crossing          0001  0035         3
22         0002  crossing          0001  0036         3
23         0002  crossing          0001  0037         3
24         0002  crossing          0001  0038         3
25         0002  crossing          0001  0039         3
26         0002  crossing          0001  0049         3
27         0002  crossing          0001  0050         3
28         0002  crossing          0001  0051         3
29         0002  crossing          0001  0052         3

过滤后:

       seq_name     label pedestrian_id  frame_no  global_id
0          0001  crossing          0001  0001         1
10         0001  crossing          0002  0001         2
11         0001  crossing          0002  0012         2
15         0001  crossing          0002  0029         2
25         0002  crossing          0001  0039         3
26         0002  crossing          0001  0049         3

下面是我的。一旦我有了索引，我就可以通过从旧的索引创建一个新的数据框。我对 Pandas 还是个新手，它看起来非常笨重，所以我希望有一个更优雅的解决方案。

我已经通读了 groupby 上的文档和其他一些 SO 帖子，但仍然无法弄明白。我只是想通过用 Pandas 替换所有内容来清理我的数据处理管道。

ind = []
for j in df["global_id"].unique():
    df_temp = df[df["global_id"] == j][["frame_no"]]
    df_temp["frame_no"] = pd.to_numeric(df["frame_no"]) 
    start_frame = df_temp["frame_no"].min()
    end_frame = df_temp["frame_no"].max()
    i = start_frame-1
    while i < end_frame:
        ind.append(np.min(df_temp[(df_temp["frame_no"] > i) & (df_temp["frame_no"] < i+10)].index.tolist()))
        i+=10

Answer 1

这是使用 groupby 的一种方法，但首先您需要定义一个函数来执行您在每个组中查找的内容。为了解释这个想法，让我们考虑一个简单的数据帧 dfs = pd.DataFrame({'a':[1,2,3,4,14,20,30,31]})

一段时间以来，我一直在寻找解决此类问题的方法，试图避免循环，这看起来很复杂。这是我最终的想法。在numpy中，可以使用substract结合outer来一一获取每个元素之间的所有差异

print (np.subtract.outer(dfs.a, dfs.a))
array([[  0,  -1,  -2,  -3, -13, -19, -29, -30],
       [  1,   0,  -1,  -2, -12, -18, -28, -29],
       [  2,   1,   0,  -1, -11, -17, -27, -28],
       [  3,   2,   1,   0, -10, -16, -26, -27],
       [ 13,  12,  11,  10,   0,  -6, -16, -17],
       [ 19,  18,  17,  16,   6,   0, -10, -11],
       [ 29,  28,  27,  26,  16,  10,   0,  -1],
       [ 30,  29,  28,  27,  17,  11,   1,   0]], dtype=int64)

现在，例如，在 第 0 列 中，您可以看到差异 >10 从 第 4 行 开始，然后转到 第 4 列，差异>10 从第 6 行 开始，然后转到第 6 列，差异不够大.因此过滤将保留第 0、4 和 6 行，这是要查找的值 [1,14,30]。要获得这些数字，您可以将 np.substract.outer 与 10 进行比较，并将 sum 与 axis=0 进行比较，例如:

arr = (np.subtract.outer(dfs.a, dfs.a) <=10).sum(0)
print (arr)
array([4, 4, 4, 5, 6, 7, 8, 8])

现在你看到了，arr[0] = 4，然后是 arr[4] = 6，然后是 arr[6]=8在此示例中超出范围，因此请停止。捕获这些数字的一种方法是使用 while(如果有人有 numpy 解决方案来执行此操作，我很感兴趣)

list_ind = [0] # initialize list of index to keep with 0
arr = (np.subtract.outer(dfs.a, dfs.a) <=10).sum(0)
i = arr[0]
while i < len(arr):
    list_ind.append(i)
    i = arr[i]

print (list_ind)
[0, 4, 6]

print (dfs.iloc[list_ind])
    a
0   1
4  14
6  30

现在有了整个问题和 groupby，您可以:

# it seems you need to convert the column frame_no to integer
df['frame_int'] = pd.to_numeric(df['frame_no'])
df = df.sort_values('frame_int') #ensure data to be sorted by frame_int, whatever the global_id

#define the function looking for the ind
def find_ind (df_g):
    list_ind = [0]
    arr = (np.subtract.outer(df_g.frame_int, df_g.frame_int) <= 10).sum(0)
    i = arr[0]
    while i <len(arr):
        list_ind.append(i)
        i = arr[i]
    return df_g.iloc[list_ind]

#create the filtered dataframe
df_filtered = (df.groupby('global_id').apply(find_ind)
                 .drop('frame_int',axis=1).reset_index(drop=True))

print (df_filtered)
   seq_name     label  pedestrian_id  frame_no  global_id
0         1  crossing              1         1          1
1         1  crossing              2         1          2
2         1  crossing              2        12          2
3         1  crossing              2        29          2
4         2  crossing              1        34          3
5         2  crossing              1        49          3

如果想保留原始行的索引，可以在reset_index中添加level=0 例如reset_index(level=0,drop=True ) 代替。