python - Pandas dataframe - 集群内的运行总和

Question

我有

    x  cluster_id
0   1      1
1   3      1
2   2      2
3   5      2
4   4      3

我要生成

    x  cluster_id   s
0   1      1        1
1   3      1        4
2   2      2        3
3   5      2        7
4   4      3        4

即s 是 x 的运行总和，但当集群 ID 更改时它会重置。这是如何实现的？

或者，如果更容易，也可以这样做

    x  cluster_id   s
0   1      1        4
1   3      1        4
2   2      2        7
3   5      2        7
4   4      3        4

即同一簇内的所有 s 值都是相同的，并且对应于簇中的总和。

此外，我想对其进行二次采样，以便保留每个簇的最后一行:

    x  cluster_id   s
1   3      1        4
3   5      2        7
4   4      3        4

(请注意，所有集群 ID 均不同)。我怎样才能做到这一点？

Answer 1

您可以使用 .cumsum() 和 .groupby() 获取运行总计

>>> df
   x  cluster_id
0  1           1
1  3           1
2  2           2
3  5           2
4  4           3
>>> df['s'] = df.groupby('cluster_id').cumsum()
>>> df
   x  cluster_id  s
0  1           1  1
1  3           1  4
2  2           2  2
3  5           2  7
4  4           3  4

然后只获取每个cluster_id的最后一行:

>>> df.groupby('cluster_id').last().reset_index()
   cluster_id  x  s
0           1  3  4
1           2  5  7
2           3  4  4