如何在python中查找连续出现的带有条件的值

Question

我在熊猫中有以下数据框

 code      tank     date         time       no_operation_flag

 123       1        01-01-2019   00:00:00   1

 123       1        01-01-2019   00:30:00   1

 123       1        01-01-2019   01:00:00   0

 123       1        01-01-2019   01:30:00   1

 123       1        01-01-2019   02:00:00   1

 123       1        01-01-2019   02:30:00   1

 123       1        01-01-2019   03:00:00   1

 123       1        01-01-2019   03:30:00   1

 123       1        01-01-2019   04:00:00   1

 123       1        01-01-2019   05:00:00   1                   

 123       1        01-01-2019   14:00:00   1                     

 123       1        01-01-2019   14:30:00   1                  

 123       1        01-01-2019   15:00:00   1                  

 123       1        01-01-2019   15:30:00   1                  

 123       1        01-01-2019   16:00:00   1                    

 123       1        01-01-2019   16:30:00   1                  

 123       2        02-01-2019   00:00:00   1

 123       2        02-01-2019   00:30:00   0

 123       2        02-01-2019   01:00:00   0

 123       2        02-01-2019   01:30:00   0

 123       2        02-01-2019   02:00:00   1

 123       2        02-01-2019   02:30:00   1

 123       2        02-01-2019   03:00:00   1

 123       2        03-01-2019   03:30:00   1

 123       2        03-01-2019   04:00:00   1

 123       1        03-01-2019   14:00:00   1

 123       2        03-01-2019   15:00:00   1

 123       2        03-01-2019   00:30:00   1

 123       2        04-01-2019   11:00:00   1

 123       2        04-01-2019   11:30:00   0

 123       2        04-01-2019   12:00:00   1

 123       2        04-01-2019   13:30:00   1

 123       2        05-01-2019   03:00:00   1

 123       2        05-01-2019   03:30:00   1

 123       2        05-01-2019   04:00:00   1

我想要做的是no_operation_flag在坦克级别和日级别标记连续 1 超过 5 次，但时间应该是连续的（时间是半小时级别）。Dataframe 已经在容器、日期和时间级别进行了排序。

Answer 1

我认为这是一种非常具有前瞻性且有些肮脏的方式，但很容易理解。对于行循环，4 行后的检查时间是 2 小时远。（如果 1 为真）检查所有对应的五个值df['no_operation_flag']都是 1。（如果 2 为真）将 1 放入对应的 5 个值中df['final_flag']。# make col with zerodf['final_flag'] = 0for i in range(1, len(df)-4):    j = i + 4    dt1 = df['date'].iloc[i]+' '+df['time'].iloc[i]    ts1 = pd.to_datetime(dt1)    dt2 = df['date'].iloc[j]+' '+df['time'].iloc[j]    ts2 = pd.to_datetime(dt2)    # timedelta is 2 hours?    if ts2 - ts1 == datetime.timedelta(hours=2, minutes=0):        # all of no_operation_flag == 1?        if (df['no_operation_flag'].iloc[i:j+1] == 1).all():            df['final_flag'].iloc[i:j+1] = 1

Answer 2

您可以使用这样的解决方案，仅使用新助手过滤每个组的连续日期时间，DataFrame并添加所有缺少的日期merge时间，最后添加新列：df['datetimes'] = pd.to_datetime(df['date'].astype(str) + ' ' + df['time'].astype(str))df1 = (df.set_index('datetimes')          .groupby(['code','tank', 'date'])['no_operation_flag']          .resample('30T')          .first()          .reset_index())shifted1 = df1.groupby(['code','tank', 'date'])['no_operation_flag'].shift()g1 = df1['no_operation_flag'].ne(shifted1).cumsum()mask1 = g1.map(g1.value_counts()).gt(5) & df1['no_operation_flag'].eq(1)df1['final_flag'] = mask1.astype(int)#print (df1.head(40))df = df.merge(df1[['code','tank','datetimes','final_flag']]).drop('datetimes', axis=1)print (df)    code  tank        date      time  no_operation_flag  final_flag0    123     1  01-01-2019  00:00:00                  1           01    123     1  01-01-2019  00:30:00                  1           02    123     1  01-01-2019  01:00:00                  0           03    123     1  01-01-2019  01:30:00                  1           14    123     1  01-01-2019  02:00:00                  1           15    123     1  01-01-2019  02:30:00                  1           16    123     1  01-01-2019  03:00:00                  1           17    123     1  01-01-2019  03:30:00                  1           18    123     1  01-01-2019  04:00:00                  1           19    123     1  01-01-2019  05:00:00                  1           010   123     1  01-01-2019  14:00:00                  1           111   123     1  01-01-2019  14:30:00                  1           112   123     1  01-01-2019  15:00:00                  1           113   123     1  01-01-2019  15:30:00                  1           114   123     1  01-01-2019  16:00:00                  1           115   123     1  01-01-2019  16:30:00                  1           116   123     2  02-01-2019  00:00:00                  1           017   123     2  02-01-2019  00:30:00                  0           018   123     2  02-01-2019  01:00:00                  0           019   123     2  02-01-2019  01:30:00                  0           020   123     2  02-01-2019  02:00:00                  1           021   123     2  02-01-2019  02:30:00                  1           022   123     2  02-01-2019  03:00:00                  1           023   123     2  03-01-2019  03:30:00                  1           024   123     2  03-01-2019  04:00:00                  1           025   123     1  03-01-2019  14:00:00                  1           026   123     2  03-01-2019  15:00:00                  1           027   123     2  03-01-2019  00:30:00                  1           028   123     2  04-01-2019  11:00:00                  1           029   123     2  04-01-2019  11:30:00                  0           030   123     2  04-01-2019  12:00:00                  1           031   123     2  04-01-2019  13:30:00                  1           032   123     2  05-01-2019  03:00:00                  1           033   123     2  05-01-2019  03:30:00                  1           034   123     2  05-01-2019  04:00:00                  1           0

Answer 3

利用：df['final_flag'] = ( df.groupby([df['no_operation_flag'].ne(1).cumsum(),                                 'tank',                                 'date',                                 pd.to_datetime(df['time'].astype(str))                                   .diff()                                   .ne(pd.Timedelta(minutes = 30))                                   .cumsum(),                                'no_operation_flag'])['no_operation_flag']                    .transform('size')                    .gt(5)                    .view('uint8') )print(df)输出    code  tank        date      time  no_operation_flag  final_flag0    123     1  01-01-2019  00:00:00                  1           01    123     1  01-01-2019  00:30:00                  1           02    123     1  01-01-2019  01:00:00                  0           03    123     1  01-01-2019  01:30:00                  1           14    123     1  01-01-2019  02:00:00                  1           15    123     1  01-01-2019  02:30:00                  1           16    123     1  01-01-2019  03:00:00                  1           17    123     1  01-01-2019  03:30:00                  1           18    123     1  01-01-2019  04:00:00                  1           19    123     1  01-01-2019  05:00:00                  1           010   123     1  01-01-2019  14:00:00                  1           111   123     1  01-01-2019  14:30:00                  1           112   123     1  01-01-2019  15:00:00                  1           113   123     1  01-01-2019  15:30:00                  1           114   123     1  01-01-2019  16:00:00                  1           115   123     1  01-01-2019  16:30:00                  1           116   123     2  02-01-2019  00:00:00                  1           017   123     2  02-01-2019  00:30:00                  0           018   123     2  02-01-2019  01:00:00                  0           019   123     2  02-01-2019  01:30:00                  0           020   123     2  02-01-2019  02:00:00                  1           021   123     2  02-01-2019  02:30:00                  1           022   123     2  02-01-2019  03:00:00                  1           023   123     2  03-01-2019  03:30:00                  1           024   123     2  03-01-2019  04:00:00                  1           025   123     1  03-01-2019  14:00:00                  1           026   123     2  03-01-2019  15:00:00                  1           027   123     2  03-01-2019  00:30:00                  1           028   123     2  04-01-2019  11:00:00                  1           029   123     2  04-01-2019  11:30:00                  0           030   123     2  04-01-2019  12:00:00                  1           031   123     2  04-01-2019  13:30:00                  1           032   123     2  05-01-2019  03:00:00                  1           033   123     2  05-01-2019  03:30:00                  1           0