只保留熊猫坐标行中的最大间隔

Posted 2023-03-11

【中文标题】只保留熊猫坐标行中的最大间隔

【英文标题】：Keep only largest interval in coordinates row in pandas

【发布时间】：2021-07-13 13:21:29

【问题描述】：

我有一个数据框，例如：

   Groups Name start end  sum
1      G1    A   451 954 1405
2      G1    B   451 951 1402
3      G1    C   451 969 1420
4      G1    D   463 870 1333
5      G1    E   463 888 1351
6      G1    X   230 450  680
7      G1    Z   229 450  681
8      G2    F   119 841  960
9      G2    G   118 842  960
10     G3    H   460 790 1250
11     G3    I   123 300 177
12     G4    J   343 878 1221
13     G4    K   343 878 1221
14     G4    L   320 862 1182

我希望每个组只保留一个区间表示（一个区间意味着 df.start 和 df.end 在行之间重叠），我解释说：

例如，在G1中有2个区间组：

间隔 1（使用 min = 451 和 max = 969）：

Name start end sum
A    451   954 1405
B    451   951 1402
C    451   969 1420
D    463   870 1333
E    463   888 1351

那我取最大的df.sum（这里是1420）

和

Interval2（使用min = 229 和max = 450）

Name start end  sum
X    230   450  680
Z    229   450  681

那我取最大的df.sum（这里是681）

如果我对整个数据框这样做，我会得到：

   Groups Name start end  sum
3      G1    C   451 969 1420
7      G1    Z   229 450  681
9      G2    G   118 842  960
10     G3    H   460 790 1250
11     G3    I   123 300 177
12     G4    J   343 878 1221

有人有想法吗？ 以下是字典格式的数据：

'Groups Name start end  sum': 0: 'G1    A   451 954 1405', 1: 'G1    B   451 951 1402', 2: 'G1    C   451 969 1420', 3: 'G1    D   463 870 1333', 4: 'G1    E   463 888 1351', 5: 'G1    X   230 450  680', 6: 'G1    Z   229 450  681', 7: 'G2    F   119 841  960', 8: 'G2    G   118 842  960', 9: 'G3    H   460 790 1250', 10: 'G3    I   123 300 177', 11: 'G4    J   343 878 1221', 12: 'G4    K   343 878 1221', 13: 'G4    L   320 862 1182'

【问题讨论】：

所以，基本上你想获得start 和end 值，以获得每个组中最大sum 值（列Groups）？如果是这样，请查看.groupby() 并在Groups 列上分组。然后对列sum 上的值进行排序，并取第一行（如果按降序排序）或最后一行（如果按升序排序）。此外，***.com/questions/27842613/… 可能会有所帮助

你好，没那么简单，我还需要查看每个组内start and end的overlapping intervals，然后保留longest Sum value。

您如何在 F 和 G 之间做出选择？他们的总和是一样的。

您好，很抱歉，我没有提供任何关于此的信息：我接第一个。

@chippycentra For group G4 我认为应该还有一个间隔，这样start=320 end=862

【参考方案1】：

您可以按Groups 列和表示重叠范围的新列对数据框进行分组。您可以做的是首先按Groups 和end（以及start，如果end 中有重复项）对数据框进行排序。

df = df.sort_values(['Groups', 'end', 'start'])

现在，既然我们知道了行的顺序，我们可以创建上面提到的附加列，我们称之为overlap：

c1 = df['Groups'].shift() != df['Groups']
c2 = df['end'].shift() - df['start'] < 0
df['overlap'] = (c1 | c2).cumsum()

当前数据框：

Groups Name  start  end   sum  overlap
7      G1    Z    229  450   681        1
6      G1    X    230  450   680        1
4      G1    D    463  870  1333        2
5      G1    E    463  888  1351        2
2      G1    B    451  951  1402        2
1      G1    A    451  954  1405        2
3      G1    C    451  969  1420        2
8      G2    F    119  841   960        3
9      G2    G    118  842   960        3
11     G3    I    123  300   177        4
10     G3    H    460  790  1250        5
14     G4    L    320  862  1182        6
12     G4    J    343  878  1221        6
13     G4    K    343  878  1221        6

最后，我们使用groupby得到每个组中sum最大的行。

df.sort_values(['sum'], ascending=False).groupby('overlap').first()

结果：

        Groups Name  start  end   sum
overlap                              
1           G1    Z    229  450   681
2           G1    C    451  969  1420
3           G2    F    119  841   960
4           G3    I    123  300   177
5           G3    H    460  790  1250
6           G4    J    343  878  1221

对于选择组中sum 相同的行，可以在按sum 进行二级排序时使用附加列。例如，如果顺序应该基于行的原始顺序，则可以使用reset_index() 在开头添加一个新的index 列。