在Python中创建一个基于另一列递增的列

Question

我目前把注意力从R转向Python。在R中，我经常使用data.table，但有时很难找到Python中一些函数的等价物。

我有一个像这样的pandas数据框：

df = pd.DataFrame({'A':['abc','def', 'def', 'abc', 'def', 'def','abc'],'B':[13123,45,1231,463,142131,4839, 4341]})

     A       B  
0  abc   13123    
1  def      45  
2  def    1231  
3  abc     463  
4  def  142131  
5  def    4839
6  abc    4341

我需要创建一列，该列基于A和B递增地从1开始计数，以指示B的递增顺序。因此，我首先创建排序后的数据框，我要创建的列是以下的C：

    A       B   C
1  abc     463  1
6  abc    4341  2
0  abc   13123  3
3  def      45  1
2  def    1231  2
5  def    4839  3
4  def  142131  4

在R中，使用library(data.table)，可以轻松地在一行代码内创建一个新列并将其添加到原始数据表中：

df[, C := 1:.N, by=A]

我查看了一些资料，认为可能可以利用以下内容：

df.groupby('A').size()
或
df['B'].argsort()

但不确定如何继续操作并将新列加入原始数据框。如果有人能给出任何指示，那就非常有帮助了。

非常感谢！

- S.zhen

---

这似乎是不正确的 data.table 语法。你的意思是 df[,C:=1:.N,by=A] 吗？另外为什么要先用 setkey，你可以随意使用 by。 - Matt Dowle

是的，抱歉，我已经在R代码中纠正了拼写错误。感谢您指出。无论如何，我更感兴趣的是找到一种用Python实现这个功能的方法。 - S.zhen

还是不对。这将复制df的整个内容，这是R的data.frame的一项（相对较差）功能，而data.table进行了改进。如果你错过了这一点，那么你可能没有经常使用data.table。 - Matt Dowle

这只是一个小的数据表，仅用于演示，而我在寻找Python解决方案时并不认为专注于此有多大意义。感谢您提供的R知识输入。 - S.zhen

因为 := 是 data.table 的一个重要特性，而你在发布问题时打上了Python和pandas的标签，作为 data.table 的作者，我不希望看到 data.table 在广大受众面前被错误使用。请注意语境，避免误导他人使用。 - Matt Dowle

好的，没问题。我明白你的意思了。我已经修改了上面的R代码。 - S.zhen

Answer 1

In [61]: df
Out[61]:
     A       B
1  abc     463
6  abc    4341
0  abc   13123
3  def      45
2  def    1231
5  def    4839
4  def  142131

In [62]: df['C'] =  df.groupby('A')['A'].transform(lambda x: pd.Series(range(1, len(x)+1), index=x.index))

In [63]: df
Out[63]:
     A       B  C
1  abc     463  1
6  abc    4341  2
0  abc   13123  3
3  def      45  1
2  def    1231  2
5  def    4839  3
4  def  142131  4

- Wouter Overmeire

---

那个代码是可以运行的（除了排序后的数据框实际上是不同的）。非常感谢！ - S.zhen

从仅按A排序的帧开始，我编辑了这个顺序，现在与示例中的顺序相同。 - Wouter Overmeire

嗨Wouter，感谢你详尽的回答。作为后续问题，我如何创建一个名为['D']的列，它从B的最小值开始枚举，以便在此情况下它看起来像：[463, 464, 465, 45, 46, 47, 48]？（抱歉我不知道如何在评论中正确格式化！） - S.zhen

实际上，我想我已经弄清楚了:df['D'] = df.groupby('A')['B'].transform(lambda x: pd.Series(range(min(x), min(x) + len(x)), index=x.index)) 很好用！（我还搞清楚了如何在注释中进行格式化） - S.zhen

Answer 2

作为比较，正确的 data.table 语法是：

df[, C := 1:.N, by=A]

这通过引用df添加了一个新的列C。 ：= 运算符是R的data.table包的一部分。 它允许您添加和删除列，并按组，按引用对data.table的子集进行赋值，而完全不需要复制。

- Matt Dowle

---

这个操作有没有一个快速的名字来表示它的双倍？比如，如果我想展开一个重复递增的序列，而不是每次列的值改变时都重复一遍。（如果这不是一个快速的答案，请告诉我，我会提出一个问题。谢谢。） - bright-star

Answer 3

索引魔法似乎是另一种方法：

df['C']=df.sort(['A','B'],inplace=True).groupby('A').reset_index().index.labels[1]

- meteore