使用 groupby、pivot 和 transpose 进行 Python pandas

Question

我确实有一个包含两列的数据框：date和bill_id。日期列中的日期范围是从 01-01-2017 到 30-12-2017 的一年。有 1000 个独特的bill_ids. 每个bill_id可能在bill_id列中至少出现一次。结果是一个大小为：2 列，1000000 行的 DataFrame...     dt   |bill_id01-01-2017 bill_101-01-2017 bill_202-01-2017 bill_102-01-2017 bill_303-01-2017 bill_403-01-2017 bill_4因此，某些 name_id 可能会在特定日期出现，而其他则不会。我想要实现的是一种格式的数据框，因此所有唯一的 bill_id 都是列，所有唯一的日期都是行，并且每个 bill_id 具有 0 或 1 或 2 对应的日期值，其中 0 = 尚未出现在该日期，1 出现在那个日期，2 没有出现在那个日期，但在之前就已经存在了，例如如果 bill_id 存在于 02-01-2017，那么它将在 01-01-2017 为 0，在 02-01-2017 为 1，在 03-01-2017 为 2，在所有后续日期为 2。我用几个步骤完成了，但代码没有扩展，因为它很慢：def map_values(row, df_z, c):    subs = df_z[[c, 'bill_id', 'date']].loc[df_z['date'] == row['dt']]    if c not in subs['bill_id']:        row[c] = max(subs[c].tolist())    else:        val = df_z[c].loc[(df_z['date'] == row['dt']) & (df_z['bill_id'] == c)].values        assert len(val) == 1        row[c] = val[0]    return rowdef map_to_one(x):    bills_x = x['bill_id'].tolist()    for b in bills_x:        try:            x[b].loc[x['bill_id'] == b] = 1        except:            pass    return xdef replace_val(df_groupped, col):    mask = df_groupped.loc[df_groupped['bill_id'] == col].index[df_groupped[col].loc[df_groupped['bill_id'] == col] == 1]    min_dt = df_groupped.iloc[min(mask)]['date']    max_dt = df_groupped.iloc[max(mask)]['date']    df_groupped[col].loc[(df_groupped['date'] < min_dt)] = 0    df_groupped[col].loc[(df_groupped['date'] >= min_dt) & (df_groupped['date'] <= max_dt)] = 1    df_groupped[col].loc[(df_groupped['date'] > max_dt)] = 2    return df_grouppeddef reduce_cols(row):    col_id = row['bill_id']    row['val'] = row[col_id]    return rowdf = df.sort_values(by='date')df = df[pd.notnull(df['bill_id'])]bills = list(set(df['bill_id'].tolist()))编辑：Joe 的回答很好，但我决定改用其他选项：获取 date.min() 和 date.max()df_groupped = groupby bill_iddf_groupped 应用函数，其中我检查每组 date_x.min() 和 date_x.max() 并将 date.min() 与 date_x.min() 和 date.max() 与 date_x.max() 进行比较等等我知道 0、1 和 2 在哪里的方式:)