将列表列表嵌套列表转换为数据框

如何解决将列表列表嵌套列表转换为数据框

我有一个嵌套列表，其中每个“嵌套列表”按10分钟间隔进行分组（使用timedelta函数）。

print(groups)
-----------------------results---------------------------
[[[1,Timestamp('2019-01-22 00:54:27')]],[[2,Timestamp('2019-01-22 08:37:04')]],[[3,Timestamp('2019-01-22 10:57:40')],[4,Timestamp('2019-01-22 10:57:43')]],[[5,Timestamp('2019-01-22 11:09:07')],[6,Timestamp('2019-01-22 11:16:18')],[7,Timestamp('2019-01-22 11:16:23')],[8,Timestamp('2019-01-22 11:16:25')]],[[9,Timestamp('2019-01-22 11:35:03')],[10,Timestamp('2019-01-22 11:35:35')]]...

这些是最初来自完整数据帧的信息。我正在尝试将此嵌套列表转换为数据框格式，并使用名为“ Group”的单独列。这意味着第一个“嵌套列表”将是组1，第二个“嵌套列表”将是组2。

正在考虑先转换为字典，再转换为数据框。但是，它们也不起作用。

{k:row[0] for row in groups for k in row[1:]}
dict((k[0],k[1:]) for k in groups)
error: unhashable type: 'list'

总而言之，我希望编写一个使我的过程自动化的函数，如下所示：

df_1 = pd.DataFrame(groups[1],columns=['index','datetime'])
df_1['group']=1

df_2 = pd.DataFrame(groups[2],'datetime'])
df_2['group']=2

df_3 = pd.DataFrame(groups[3],'datetime'])
df_3['group']=3
... etc...

很想听听你们如何解决这个问题！谢谢。

解决方法

这是您要达到的目标吗？

Try it online!

import pandas as pd
from pandas import Timestamp

l = [
 [[1,Timestamp('2019-01-22 00:54:27')]],[[2,Timestamp('2019-01-22 08:37:04')]],[[3,Timestamp('2019-01-22 10:57:40')],[4,Timestamp('2019-01-22 10:57:43')]],[[5,Timestamp('2019-01-22 11:09:07')],[6,Timestamp('2019-01-22 11:16:18')],[7,Timestamp('2019-01-22 11:16:23')],[8,Timestamp('2019-01-22 11:16:25')]],[[9,Timestamp('2019-01-22 11:35:03')],[10,Timestamp('2019-01-22 11:35:35')]],]

df = pd.DataFrame(
    [e1 + [g] for g,e0 in enumerate(l) for e1 in e0],columns = ['id','time','group'],)

print('As one DataFrame:\n',df)

dfs = [
    pd.DataFrame(
        [e1 + [g] for e1 in e0],)
    for g,e0 in enumerate(l)
]

print('\nAs separate DataFrames:')

for df in dfs:
    print('---------------------')
    print(df)

输出

As one DataFrame:
    id                time  group
0   1 2019-01-22 00:54:27      0
1   2 2019-01-22 08:37:04      1
2   3 2019-01-22 10:57:40      2
3   4 2019-01-22 10:57:43      2
4   5 2019-01-22 11:09:07      3
5   6 2019-01-22 11:16:18      3
6   7 2019-01-22 11:16:23      3
7   8 2019-01-22 11:16:25      3
8   9 2019-01-22 11:35:03      4
9  10 2019-01-22 11:35:35      4

As separate DataFrames:
---------------------
   id                time  group
0   1 2019-01-22 00:54:27      0
---------------------
   id                time  group
0   2 2019-01-22 08:37:04      1
---------------------
   id                time  group
0   3 2019-01-22 10:57:40      2
1   4 2019-01-22 10:57:43      2
---------------------
   id                time  group
0   5 2019-01-22 11:09:07      3
1   6 2019-01-22 11:16:18      3
2   7 2019-01-22 11:16:23      3
3   8 2019-01-22 11:16:25      3
---------------------
   id                time  group
0   9 2019-01-22 11:35:03      4
1  10 2019-01-22 11:35:35      4