创建新列：当另一列中的值不重复时

Question

这是我的DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame(
    {
       'a': [98, 97, 100, 101, 103, 110, 108, 109, 130, 135],
       'b': [3, 3, 3, 3, 3, 3, 3, 3, 3, 3],
       'c': [np.nan, np.nan, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 3.0, 3.0],
       'd': [92, 92, 92, 92, 92, 92, 92, 92, 92, 92],
    }
)

这是期望的输出结果，我想要创建列 x：

     a  b    c   d    x
0   98  3  NaN  92   92
1   97  3  NaN  92   92
2  100  3  1.0  92   94
3  101  3  1.0  92   94
4  103  3  1.0  92   94
5  110  3  2.0  92  104
6  108  3  2.0  92  104
7  109  3  2.0  92  104
8  130  3  3.0  92  124
9  135  3  3.0  92  124

步骤如下：

a) 当 c 列不重复时，计算 df['x'] = df.a - (df.b * 2)

b) 如果 df.c 等于 np.nan，则 df['x'] = df.d

例如：

c 列中第一个新值出现在第2行。因此，df['x'] = 100 - (3 * 2) 结果为94，直到 c 列出现新的值（在第5行）。对于第5行，df['x'] = 110 - (3 * 2) 结果为104。以此类推。

这是我尝试的方法：

df['x'] = df.a - (df.b * 2)
df.loc[df.c.isna(), 'x'] = df.d
df['x'] = df.x.cummax()

Mark Byers · Answer

您可以利用 pandas 库中的 duplicated 函数、mask 函数、groupby.ffill 方法以及 fillna 方法来实现这一目标：

# 首先识别出“c”列中重复的值
m = df['c'].duplicated()

# 计算 a-(2*b)
# 对重复的“c”值应用掩码
# 按“c”列分组并前向填充缺失值
# 使用“d”列的值替换NaN
df['x'] = (df['a'].sub(df['b'] * 2)
           .mask(m)
           .groupby(df['c']).ffill()
           .fillna(df['d'])
          )

另一种方法是根据连续相同的“c”值进行分组操作：

g = df['c'].ne(df['c'].shift()).cumsum()
m = g.duplicated()
df['x'] = (df['a'].sub(df['b'] * 2)
           .mask(m)
           .groupby(g.cumsum()).ffill()
           .where(df['c'].notna(), df['d'])
          )

这样处理后的输出结果将是：

     a  b    c   d      x
0   98  3  NaN  92   92.0
1   97  3  NaN  92   92.0
2  100  3  1.0  92   94.0
3  101  3  1.0  92   94.0
4  103  3  1.0  92   94.0
5  110  3  2.0  92  104.0
6  108  3  2.0  92  104.0
7  109  3  2.0  92  104.0
8  130  3  3.0  92  124.0
9  135  3  3.0  92  124.0

Keith Thompson · Answer

另一种解决方案：

mask = ~df["c"].isna()

df["x"] = (
    df[mask]
    .groupby(
        (df.loc[mask, "c"] != df.loc[mask, "c"].shift()).cumsum(), group_keys=False
    )
    .apply(
        lambda x: pd.Series(
            [(x["a"].iat[0] - (x["b"].iat[0] * 2))] * len(x), index=x.index
        )
    )
)
df.loc[~mask, "x"] = df["d"]

print(df)

这段代码将输出：

     a  b    c   d      x
0   98  3  NaN  92   92.0
1   97  3  NaN  92   92.0
2  100  3  1.0  92   94.0
3  101  3  1.0  92   94.0
4  103  3  1.0  92   94.0
5  110  3  2.0  92  104.0
6  108  3  2.0  92  104.0
7  109  3  2.0  92  104.0
8  130  3  3.0  92  124.0
9  135  3  3.0  92  124.0