Python中如何用Pandas/Numpy按连续相同标签行块生成数组列表

核心问题 #

之前按标签值聚合的思路，是把所有标签值相同的行（无论是否相邻）整合到一起，完全忽略连续相同标签的拆分要求，因此只能得到和标签类别数一致的结果，无法匹配需求。
正确的拆分逻辑非常直接：

• 定位标签序列中所有发生值变化的位置，这些位置就是新连续块的起始点
• 给每个连续块分配独立的分组标识，按标识切分对应行数据为独立数组

Pandas 实现 #

适配日常DataFrame操作流程，代码可读性高：

import pandas as pd
import numpy as np

# 假设原始数据集为df，标签列列名为label
# 1. 逐行对比当前行与上一行的标签，标记所有标签发生变化的位置
label_change_flag = df['label'].ne(df['label'].shift())
# 2. 对变化标记做累计求和，得到每行所属连续块的ID
block_identifier = label_change_flag.cumsum()
# 3. 按块ID分组，提取每个块的特征数据转为数组，组成目标列表
result_block_list = [group.drop(columns=['label']).values for _, group in df.groupby(block_identifier)]

针对示例标签序列 [1,1,1,2,2,3,1,1,1,3]，该方法会逐行识别变化点，最终拆分出全部连续同标签段，结果和实际段数完全一致。 #

Numpy 实现 #

运算效率更高，适合大规模数据场景，无需依赖Pandas的分组逻辑：

# 从DataFrame中提取标签数组和全特征矩阵
label_array = df['label'].values
feature_array = df.drop(columns=['label']).values

# 1. 错位对比标签序列，找出所有标签值发生变化的行位置
change_line_pos = np.flatnonzero(label_array[1:] != label_array[:-1])
# 2. 构造数组切分需要的边界索引，补全数据开头和结尾的位置
split_boundaries = np.concatenate([[0], change_line_pos + 1, [len(label_array)]])
# 3. 按边界直接切分特征矩阵，生成块数组列表
result_block_list = [
    feature_array[split_boundaries[i]:split_boundaries[i+1]]
    for i in range(len(split_boundaries) - 1)
]

该版本全程使用numpy原生数组操作，没有冗余的索引匹配、分组排序开销，对10000条规模的数据集可以实现毫秒级运算。 #

内容的提问来源于stack exchange，提问作者GK89