PandasのDataFrameを条件と数で区切る

Question

前提

Python3
Pandas

実現したいこと

以下のようなPandasのDataFrameがあります。
実際は30万行ほどあり、カラムももっと多いです。

time	data1	data2
12:53:31	101	1
12:53:32	102	1
12:53:32	105	1
12:53:33	102	1
12:53:34	103	1
12:53:35	99	1
12:53:36	100	1
12:53:37	110	1
12:53:38	112	0
12:53:39	98	0
12:53:40	92	0
12:53:41	100	0
12:53:42	104	0
12:53:42	105	0
12:53:43	97	1
12:53:44	99	1
12:53:45	100	1
12:53:46	103	1
12:53:47	102	1
12:53:48	101	1
12:53:49	108	1
12:53:50	91	1
12:53:51	99	0
12:53:52	93	0
12:53:52	99	0
12:53:53	100	0
12:53:54	101	1
12:53:55	102	1
12:53:56	97	1
12:53:47	100	0
12:53:48	100	0
12:53:49	101	0
・・・

timeがindexになっており、data2は他の値に応じてつけられた判定用のカラムです。

このとき、
1が連続して5行以上現れたときに、
その最初の5行のdata1の値を使ってなにかしらを計算し結果を出力
5行目以降の1がある列とその下に連続する0の行は無視して、
また1が連続して5行以上現れるところで同じ計算をする
といった作業を行いたいです。
つまり、下のようになると嬉しいです。

time	data1	data2
12:53:31	101	1
12:53:32	102	1
12:53:32	105	1
12:53:33	102	1
12:53:34	103	1

→この5行から計算（例えば101,102,105,102,103の平均値を求めるなど）

その下のいくつかの行を飛ばし、次に計算するのはまた1が表れるこの5行

time	data1	data2
12:53:43	97	1
12:53:44	99	1
12:53:45	100	1
12:53:46	103	1
12:53:47	102	1

といった具合です。

Pandasでは1行目からループを回して計算するのは悪手だと聞いています。
どのように書くのが良いでしょうか。
実際は5行ではなくもっと長い(5000行)塊を探す必要があります。
また、見つけた塊に対する計算処理も平均値ではなくもっと複雑な計算です。

試したこと

.groupbyも違いますし、
https://teratail.com/questions/110232
これも少し違います。

お力を貸していただければ幸いです。

Answer 1

import pandas as pd
import io

df = pd.read_csv('data.csv')
#df['time'] = pd.to_datetime(df['time']).dt.time

#
n = 5
f = df['data2'][::-1].rolling(n).min().sort_index()
dfx = df.groupby(f.eq(f.shift(fill_value=0) + 1).cumsum(), sort=False, as_index=False).head(n)
print(dfx)

	time	data1	data2
0	12:53:31	101	1
1	12:53:32	102	1
2	12:53:32	105	1
3	12:53:33	102	1
4	12:53:34	103	1
14	12:53:43	97	1
15	12:53:44	99	1
16	12:53:45	100	1
17	12:53:46	103	1
18	12:53:47	102	1

Comments

[beluga00nm]

ご回答いただきありがとうございました。rollingとminで連続する部分以外を0にできるのですね。とてもためになりました。

Answer 2

以下のような流れでできると思います。

• shiftとcumsumにて同じ値が続くグループに番号を振る
• data2が1であるグループのうち、グループサイズが5以上の行を抽出する
• 抽出結果に対して再びグループ番号で集計しapplyにてグループ毎に計算を行う
• 計算ではheadにて先頭5行のみを利用する

あるいはグループ番号を振った後にグループ内でサブ番号を振って、サブ番号が5以下の行を抽出しておいたほうが、後のグループ化→計算処理で楽かもしれません。

import pandas as pd
import numpy as np

data2 = np.array([1,1,1,1,1,1,0,0,1,0,1,1,1,1,1,0])
v1 = np.arange(1,data2.shape[0]+1)
df = pd.DataFrame({'v1':v1, 'data2':data2})
print(df)
"""
    v1  data2
0    1      1
1    2      1
2    3      1
3    4      1
4    5      1
5    6      1
6    7      0
7    8      0
8    9      1
9   10      0
10  11      1
11  12      1
12  13      1
13  14      1
14  15      1
15  16      0
"""

# data2が1で5連続以上を抽出
flg = df['data2']
df['grp'] = (flg != flg.shift(1,fill_value=flg[0])).cumsum()
rows = df[flg == 1].groupby('grp')['grp'].size()
grp = rows[rows>=5].index
df2 = df[df['grp'].isin(grp)]
print(df2)
"""
    v1  data2  grp
0    1      1    0
1    2      1    0
2    3      1    0
3    4      1    0
4    5      1    0
5    6      1    0
10  11      1    4
11  12      1    4
12  13      1    4
13  14      1    4
14  15      1    4
"""

# 何らかの計算
def func(gdf):
    gdf = gdf.head(5) # 先頭5行を利用
    return gdf['v1'].min(), gdf['v1'].max()

ret = df2.groupby('grp').apply(func)
print(ret)
"""
grp
0      (1, 5)
4    (11, 15)
"""

Comments

[beluga00nm]

大変ためになりましたし、中身も納得できました。
ありがとうございました。
shiftとcumsumで番号をふれるのは便利ですね、覚えておきます。

余談、というかもしよろしければ教えてほしいのですが、

# data2が1で5連続以上を抽出
の中にある
rows = df[flg == 1].groupby('grp')['grp'].size()
の
['grp']はどういった意味を持つのでしょうか。
無くても思い通りの結果になったのですが、
df[flg == 1].groupby('grp')というデータフレーム（形式はgroupby？）の
['grp']の列のサイズとう意味ですか？

[can110]

['grp']でgrpという列を指定しています。
今回はsize、すなわち行数が分かればよいので列は指定しなくてもよいですが
平均、最大、最小値を得たい場合は、列名を指定すると、その列の値を得ることができます。

[beluga00nm]

ご丁寧に教えていただきありがとうございました！