距離の条件によりデータフレームの複数行を1つに結合する方法について

Question

前提・実現したいこと

pandasのデータフレームにおいて、以下の例のように名前とx, yが存在しています。

これらから、

• xの閾値の幅に対して, yがある閾値以内であれば結合し、1行にする
• 1行にする際に、複数紐付いた場合は複数分でx, yの重心を取るように更新する

という処理を行う関数を書きたいです。（位置的に近いものを纏めたい）

インプットのデータフレームの例(3列)

name, x, y
a, 10, 10
b, 12, 15
c, 11, 20
d, 21, 50
e, 23, 55
f, 22, 65
：

閾値の設定

x_threshold = 2
y_threshold = 5

アウトプットのデータフレームの例(3列)

name, x, y
abc, 11, 15
de, 22, 52.5
f, 22, 65
：

考えたこと

閾値を見て、if文を書く感じになるかと思うのですが、 一行ずつ判定し、行方向で複数分纏めて行く方法がいまいちわからず手をこまねいております。
恐縮ではございますが、お知恵を拝借できましたら幸いです。
何卒よろしくお願い申し上げます。

Comments

[meg_]

・閾値は±でしょうか？（xが10のとき-8から12？）
・範囲が重複する場合もありえると思いますが、その場合の処理はどうなりますか？

[mi2]

> ・閾値は±でしょうか？（xが10のとき-8から12？）
申し訳ございません。閾値(x_threshold)は0より大きい正の整数(m=1,2,3,...)を想定しています。例えばx_threshold=2の場合、pandasのx=10という1行目に対して8<=x<=12が設定される範囲となります。x=12,11といった2行目と3行目が範囲に入ってくるため、今度はy側の距離を見て、y_threshold = 5以内のものがまとまるイメージです。わかりづらく申し訳ございません。
やりたいことは座標上で近くにあるデータを纏めて行きたいということになります。この方法に限らず、よりよい方法がございましたらご教示頂けましたら幸いです。。

> ・範囲が重複する場合
重複する場合は、より左側のものを優先的に選択されるようにしたいと考えております。（xの値が小さいもの）

[meg_]

すみません。-8ではなく8でした。記入ミスです。
後半の質問についてはname,xに「a,10;b,11;c,12;d,13」がある場合、10を基準にすれば「8<=10,11,12<=12」となり結果は「abc,11」となりますが、11を基準にすれば 「9<=10,11,12,13<=13」となり結果は「abcd,11.5」となるかと思います。こういう場合はどちらを残すのか、どちらも残すのか、あるいはこういう場合はあり得ないのか、という意味の質問でした。

[mi2]

ありがとうございます。後半の質問につきまして、説明が不足しておりました。
基準につきましてはxについての条件が合うものはどちらも残すで問題ございません。yの値との条件もあるので、実態としてはyの方の条件で不要なものが淘汰されるイメージとなります。
ご確認頂きありがとうございます。

[meg_]

やりたいことはだいたい分かりました。
ところで、pandasの操作はどれくらい出来ますか？　質問の条件でデータを抽出することは出来ますか？

[mi2]

基本的なpandasによる抽出は出来るのですが、今回のように複数条件で優先されるものがこれのような少し複雑なものになるとどのように考えるべきか迷ってしまう部分がございます。申し訳ございません

Answer 1

こんな感じでしょうか？

result = pd.DataFrame([], columns=df.columns)
for index, row in df.iterrows():
    df2 = df[(df['x'] >=  row['x'] - x_threshold) & (df['x'] <=  row['x'] + x_threshold)]
    df2 = df2[(df2['y'] >=  row['y'] - y_threshold) & (df2['y'] <=  row['y'] + y_threshold)]
    
    data = df2.mean().values.tolist()
    data.insert(0, ','.join(df2['name'].values))
    s = pd.Series(data, index=df.columns)
    result = result.append(s, ignore_index=True)

print(result)
#    name     x     y
#0    a,b  11.0  12.5
#1  a,b,c  11.0  15.0
#2    b,c  11.5  17.5
#3    d,e  22.0  52.5
#4    d,e  22.0  52.5
#5      f  22.0  65.0