熊貓數據幀：查找一定長度，其中兩列是相等的序列索引值/相同

Question

我有一個熊貓DataFrame，其像定義：

# -*- coding: utf-8 -*- 
import datetime as dt 
import pandas as pd 


data = [[1, 1], [1, 1], [2, 2], [2, 2], [2, 2], [3, 3], [4, 4], [4, 4], 
     [4, 4], [5, 5], [5, 5]] 
df = pd.DataFrame(data, columns=['A', 'B']) 
df.index = pd.date_range(dt.datetime(2012, 1, 1), periods=len(df), freq='H') 

print(df) 

和收率：

    A B 
2012-01-01 00:00:00 1 1 
2012-01-01 01:00:00 1 1 
2012-01-01 02:00:00 2 2 
2012-01-01 03:00:00 2 2 
2012-01-01 04:00:00 2 2 
2012-01-01 05:00:00 3 3 
2012-01-01 06:00:00 4 4 
2012-01-01 07:00:00 4 4 
2012-01-01 08:00:00 4 4 
2012-01-01 09:00:00 5 5 
2012-01-01 10:00:00 5 5 

現在我試圖得到列A和B相等的行的索引，並且至少（或者恰好也是足夠的）n個連續行（這裏小時）在A和B中相等，即，我想提取必須連續的索引值（切片長度> = n），其中A和B相等。

因此，在這種情況下，對於n = 2應該爲「兩歲」和「四肢」的索引：

2012-01-01 02:00:00 
2012-01-01 03:00:00 
2012-01-01 04:00:00 
2012-01-01 06:00:00 
2012-01-01 07:00:00 
2012-01-01 08:00:00 

獲取只爲A和B相等是直截了當的行的索引。

但是我怎樣才能獲取只有n個連續的相等元素？

我想肯定會有一些花哨GROUPBY辦法，我沒有看到目前..

Answer 1

根據您的描述，我不明白爲什麼1 & 5會從結果中排除，因爲它們每一個都包含2個或更多連續的行，具有匹配的值A & B.

但是，下面的解決方案仍應該有所幫助，我相信您可以對其進行修改以滿足您的需求。它首先篩選數據幀以匹配A和B（df_matching）列中的值。然後它使用shift-cumsum模式對連續的匹配值進行分組，然後對n進行過濾。

n = 2 
df_matching = df[df.A == df.B] 
gb = df_matching.groupby((df_matching.A != df_matching.A.shift()).cumsum()) 
df_target = gb.filter(lambda x: len(x) >= n) 

>>> df_target 
        A B 
2012-01-01 00:00:00 1 1 
2012-01-01 01:00:00 1 1 
2012-01-01 02:00:00 2 2 
2012-01-01 03:00:00 2 2 
2012-01-01 04:00:00 2 2 
2012-01-01 06:00:00 4 4 
2012-01-01 07:00:00 4 4 
2012-01-01 08:00:00 4 4 
2012-01-01 09:00:00 5 5 
2012-01-01 10:00:00 5 5 

上面的數據框是爲了確保它符合您的期望。然後，只需提取指數：

>>> df_target.index 
DatetimeIndex(['2012-01-01 00:00:00', '2012-01-01 01:00:00', 
       '2012-01-01 02:00:00', '2012-01-01 03:00:00', 
       '2012-01-01 04:00:00', '2012-01-01 06:00:00', 
       '2012-01-01 07:00:00', '2012-01-01 08:00:00', 
       '2012-01-01 09:00:00', '2012-01-01 10:00:00'], 
       dtype='datetime64[ns]', freq=None) 

請注意，您得到，如果你n=3預期的結果。