【pandas】三行代码优雅实现删除连续重复的多行

写代码中遇到的一点小问题，如果快速删除连续重复的多行并且类型是可选择的，重复的数量也是可选择的。
比如：

df=pd.DataFrame.from_dict(
{'id':[1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23],
'value'['equal','equal','insert','equal','equal','equal','equal','delete','delete','delete','equal','delete','insert','insert','insert','insert','equal','equal','equal','equal','equal','equal']})
df
Out[3]: 
    id   value
0    1   equal
1    2   equal
2    3  insert
3    4   equal
4    5   equal
5    6   equal
6    7   equal
7    8  delete
8    9  delete
9   10  delete
10  11   equal
11  13  delete
12  14  insert
13  15  insert
14  16  insert
15  17  insert
16  18   equal
17  19   equal
18  20   equal
19  21   equal
20  22   equal
21  23   equal

删除value=equal，并且连续长度大于等于4的行

最简单的方法就是利用遍历，计算除equal连续长度的累加值，进行判断，然后根据下标进行删除。
但是这样要写很多代码进行逻辑判断。
有没有更简单的方法哪？
基于强大的pandas库，我们是可以优雅的实现以上 *** 作。
首先给出代码：然后一行一行解析

df2 = df.groupby((df['value'].shift() != df['value']).cumsum()).filter(lambda x: len(x) >= 4)
df3 = df2[df2['value'].isin(['equal'])]
result = pd.merge(df, df3, how='left', indicator=True).query("_merge=='left_only'").drop('_merge', 1)

第一行

df.groupby((df['value'].shift() != df['value']).cumsum()).filter(lambda x: len(x) >= 4)

df[‘value’].shift()是将每一行的值下移动一行，
可以看到，第一行变为NaN，值依次往下移动一位。

df['value'].shift()
Out[4]: 
0        NaN
1      equal
2      equal
3     insert
4      equal
5      equal
6      equal
7      equal
8     delete
9     delete
10    delete
11     equal
12    delete
13    insert
14    insert
15    insert
16    insert
17     equal
18     equal
19     equal
20     equal
21     equal
Name: value, dtype: object

shift()可参考这个链接
第二步进行bool运算，不相等为True，相等为False

df['value'].shift() != df['value']
Out[5]: 
0      True
1     False
2      True
3      True
4     False
5     False
6     False
7      True
8     False
9     False
10     True
11     True
12     True
13    False
14    False
15    False
16     True
17    False
18    False
19    False
20    False
21    False
Name: value, dtype: bool

然后cumsum给出一个非降序的id序列，其中每个id表示一个具有相同值的连续块，注意在对布尔值求和时，True被认为是一，而False被认为是零：

(df['value'].shift() != df['value']).cumsum()
Out[6]: 
0     1
1     1
2     2
3     3
4     3
5     3
6     3
7     4
8     4
9     4
10    5
11    6
12    7
13    7
14    7
15    7
16    8
17    8
18    8
19    8
20    8
21    8
Name: value, dtype: int32

对value这一列进行累加计算
cumsum可参考这个链接

最后进行groupby按照相同长度进行聚合

df_group =df.groupby((df['value'].shift() != df['value']).cumsum())
for i in df_group:
   ...:     print(i)
   ...:     
(1,    id  value
0   1  equal
1   2  equal)
(2,    id   value
2   3  insert)
(3,    id  value
3   4  equal
4   5  equal
5   6  equal
6   7  equal)
(4,    id   value
7   8  delete
8   9  delete
9  10  delete)
(5,     id  value
10  11  equal)
(6,     id   value
11  13  delete)
(7,     id   value
12  14  insert
13  15  insert
14  16  insert
15  17  insert)
(8,     id  value
16  18  equal
17  19  equal
18  20  equal
19  21  equal
20  22  equal
21  23  equal)

最后过滤一下长度大于4的连续的值

df.groupby((df['value'].shift() != df['value']).cumsum()).filter(lambda x: len(x) >= 4)
Out[11]: 
    id   value
3    4   equal
4    5   equal
5    6   equal
6    7   equal
12  14  insert
13  15  insert
14  16  insert
15  17  insert
16  18   equal
17  19   equal
18  20   equal
19  21   equal
20  22   equal
21  23   equal

因为我们只需要equal这个值的内容，删除选择特定列可参考这个链接

df2[df2['value'].isin(['equal'])]
Out[16]: 
    id  value
3    4  equal
4    5  equal
5    6  equal
6    7  equal
16  18  equal
17  19  equal
18  20  equal
19  21  equal
20  22  equal
21  23  equal

最后从大的dataframe中删除小的dataframe即可

result = pd.merge(df, df3, how='left', indicator=True).query("_merge=='left_only'").drop('_merge', 1)
Out[17]: 
    id   value
0    1   equal
1    2   equal
2    3  insert
7    8  delete
8    9  delete
9   10  delete
10  11   equal
11  13  delete
12  14  insert
13  15  insert
14  16  insert
15  17  insert

merge *** 作可参考:这个链接
官方文档:https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html
其中query的 *** 作是新增一列信息，
可参考:https://blog.csdn.net/AlanGuoo/article/details/88874742

参考：
https://www.code05.com/question/detail/45886518.html