这是我的数据框:
import pandas as pd
df = pd.DataFrame(
{
'main': ['x', 'x', 'x', 'x', 'x', 'x', 'x', 'x', 'x', 'y', 'y', 'y', 'y', 'y', 'y', 'y'],
'sub': ['c', 'c', 'c', 'd', 'd', 'e', 'e', 'e', 'e', 'f', 'f', 'f', 'f', 'g', 'g', 'g'],
'num_1': [10, 9, 80, 80, 99, 101, 110, 222, 90, 1, 7, 10, 2, 10, 95, 10],
'num_2': [99, 99, 99, 102, 102, 209, 209, 209, 209, 100, 100, 100, 100, 90, 90, 90]
}
)
这是我的预期输出。我想添加列
result
:
main sub num_1 num_2 result
0 x c 10 99 101
1 x c 9 99 101
2 x c 80 99 101
3 x d 80 102 110
4 x d 99 102 110
5 x e 101 209 222
6 x e 110 209 222
7 x e 222 209 222
8 x e 90 209 222
9 y f 1 100 NaN
10 y f 7 100 NaN
11 y f 10 100 NaN
12 y f 2 100 NaN
13 y g 10 90 95
14 y g 95 90 95
15 y g 10 90 95
面膜是:
mask = (df.num_1 > df.num_2)
过程是这样开始的:
a)
groupby
列是 sub
b) 找到满足每组掩码条件的第一行。
c) 将
num_1
的值放入 result
如果没有满足掩码条件的行,则将
groupby
列更改为main
以查找mask
的第一行。此阶段有条件:
使用
subs
作为 main
列时,不应考虑之前的 groupby
。
d
列中sub
组的上述步骤示例:
a)
sub
是 groupby
列。
b)
d
组中没有行 df.num_1 > df.num_2
所以现在对于组
d
,它的main
组被搜索。然而,c
组也属于这个main
组。由于它位于d
组之前,因此c
组不应计入此步骤。
在这张图片中,我展示了这些值的来源:
这是我的尝试。它部分解决了某些群体的问题,但不是全部:
def step_a(g):
mask = (g.num_1 > g.num_2)
g.loc[mask.cumsum().eq(1) & mask, 'result'] = g.num_1
g['result'] = g.result.ffill().bfill()
return g
a = df.groupby('sub').apply(step_a)
IIUC,您可以使用 numpy 广播为每个“main”形成一个掩码,并使用它来查找第一个 num1>num2,同时仅考虑下一组:
def find(g):
# get sub as 0,1,2…
sub = pd.factorize(g['sub'])[0]
# convert inputs to numpy
n1 = g['num_1'].to_numpy()
n2 = g.loc[~g['sub'].duplicated(), 'num_2'].to_numpy()
# form mask
# (n1[:, None] > n2) -> num_1 > num_2
# (sub[:, None] >= np.arange(len(n2))) -> exclude previous groups
m = (n1[:, None] > n2) & (sub[:, None] >= np.arange(len(n2)))
# find first True per column
return pd.Series(np.where(m.any(0), n1[m.argmax(0)], np.nan)[sub],
index=g.index)
df['result'] = df.groupby('main', group_keys=False).apply(find)
请注意,您可以轻松调整掩码以执行其他逻辑(在接下来的 n 组中搜索、排除除前一组之外的所有先前组等)。
输出:
# example 1 # example 2 (from comments)
main sub num_1 num_2 result main sub num_1 num_2 result
0 x c 10 99 101.0 0 x d 10 102 110.0
1 x c 9 99 101.0 1 x d 9 102 110.0
2 x c 80 99 101.0 2 x c 80 99 101.0
3 x d 80 102 110.0 3 x c 80 99 101.0
4 x d 99 102 110.0 4 x c 99 99 101.0
5 x e 101 209 222.0 5 x e 101 209 222.0
6 x e 110 209 222.0 6 x e 110 209 222.0
7 x e 222 209 222.0 7 x e 222 209 222.0
8 x e 90 209 222.0 8 x e 90 209 222.0
9 y f 1 100 NaN 9 y f 1 100 NaN
10 y f 7 100 NaN 10 y f 7 100 NaN
11 y f 10 100 NaN 11 y f 10 100 NaN
12 y f 2 100 NaN 12 y f 2 100 NaN
13 y g 10 90 95.0 13 y g 10 90 95.0
14 y g 95 90 95.0 14 y g 95 90 95.0
15 y g 10 90 95.0 15 y g 10 90 95.0
中间掩模
m
,这里是第二个例子:
# main == 'x'
# 99 102 209
array([[False, False, False], # 10
[False, False, False], # 9
[False, False, False], # 80
[False, False, False], # 80
[False, False, False], # 99
[False, True, False], # 101
[ True, True, False], # 110
[ True, True, True], # 222
[False, False, False]]) # 90
# out: 110 101 222
# main == 'y'
# 100 90
array([[False, False], # 1
[False, False], # 7
[False, False], # 10
[False, False], # 1
[False, False], # 10
[False, True], # 95
[False, False]]) # 90
# out: NaN 95
代码
定义自定义函数
def get_result(d):
cond = d['num_1'].gt(d['num_2'])
if cond.sum() > 0:
target = d['num_1'].where(cond).bfill().iloc[0]
else:
df1 = df[df['main'].eq(d['main'].iloc[0])]
s1 = df1['num_2'].where(df1['sub'].eq(d['sub'].iloc[0])).ffill()
target = df1['num_1'].where(df1['num_1'].gt(s1)).bfill().iloc[0]
return pd.Series(target, index=d.index)
制作
result
专栏
df['result'] = df.groupby(['main', 'sub'], group_keys=False).apply(get_result)
df:
main sub num_1 num_2 result
0 x c 10 99 101.0
1 x c 9 99 101.0
2 x c 80 99 101.0
3 x d 80 102 110.0
4 x d 99 102 110.0
5 x e 101 209 222.0
6 x e 110 209 222.0
7 x e 222 209 222.0
8 x e 90 209 222.0
9 y f 1 100 NaN
10 y f 7 100 NaN
11 y f 10 100 NaN
12 y f 2 100 NaN
13 y g 10 90 95.0
14 y g 95 90 95.0
15 y g 10 90 95.0