如何将DataFrame分割为等大小的重叠分组？

我需要一种方法将数据分割为按自定义窗口大小组成的分组。我的数据如下：
Chrom Start End
chr1 1 10
chr1 11 20
chr1 21 30
chr1 31 40
例如，若窗口大小设为20，分组应为：1-20、11-30、21-40。只要分组大小不超过20，就可继续添加数据。我尝试使用split函数，但无法实现该逻辑，请问有解决办法吗？

这是典型的滑动窗口分组需求，split函数只适合简单的字符串分割，显然满足不了这种区间逻辑。我用Python给你写个实现思路，完全匹配你的需求：

实现逻辑 #

1. 确保你的数据是按Chrom和Start字段升序排列的（你的示例数据已经符合要求）；
2. 遍历每个区间作为窗口的起始点，不断向后添加后续区间，直到合并后的区间长度（End - Start + 1）超过设定的窗口大小；
3. 记录每个符合条件的合并区间，最终得到所有滑动分组。

代码示例 #

# 示例数据（可以替换成你自己的数据集）
data = [
    ("chr1", 1, 10),
    ("chr1", 11, 20),
    ("chr1", 21, 30),
    ("chr1", 31, 40)
]
window_size = 20  # 自定义窗口大小

result = []
total_intervals = len(data)

for i in range(total_intervals):
    # 初始化当前窗口的起始和结束
    current_chrom = data[i][0]
    current_start = data[i][1]
    current_end = data[i][2]
    
    # 向后遍历，尝试添加更多区间到当前窗口
    j = i + 1
    while j < total_intervals:
        next_end = data[j][2]
        # 检查添加后窗口长度是否超过限制
        if next_end - current_start + 1 <= window_size:
            current_end = next_end
            j += 1
        else:
            break
    
    # 将当前窗口的合并结果加入最终列表
    result.append((current_chrom, current_start, current_end))

# 打印结果
for item in result:
    print(f"{item[0]} {item[1]} {item[2]}")

运行结果 #

运行这段代码后，输出完全符合你的示例需求：

chr1 1 20
chr1 11 30
chr1 21 40
chr1 31 40

如果不需要最后单个区间的分组（chr1 31 40），可以在循环结束后判断当前窗口包含的原始区间数量，或者合并后的长度是否等于窗口大小，再决定是否加入结果。

扩展说明 #

如果你的数据是从文件读取的（比如CSV），可以先读取数据并转换成列表格式，再套用上面的逻辑。另外，这个方法也适用于长度不固定的原始区间，只要保证数据是排序好的即可。

内容的提问来源于stack exchange，提问作者user12