Pandas：根据条件在数据帧组末尾剥离行

Question

假设我有以下数据框：df = pd.DataFrame({"id": [1, 1, 1, 2, 2, 2, 3, 3, 3, 3], "date": [pd.Timestamp(2002, 2, 2), pd.Timestamp(2003, 3, 3), pd.Timestamp(2004, 4, 4), pd.Timestamp(2005, 5, 5), pd.Timestamp(2006, 6, 6), pd.Timestamp(2007, 7, 7), pd.Timestamp(2008, 8, 8), pd.Timestamp(2009, 9, 9), pd.Timestamp(2010, 10, 10), pd.Timestamp(2011, 11, 11)], "numeric": [0.9, 0.4, 0.2, 0.6, np.nan, 0.8, 0.7, np.nan, np.nan, 0.5], "nominal": [0, 1, 0, 1, 0, 0, 0, 1, 1, 1]})我想要实现的是在每个组的末尾id去除行（假设行按 分组），这样这些行将被删除，直到non-nan该numeric列出现一个值。此外，每个组的最后一行将始终具有non-nan该numeric列的值，并且应始终删除最后一行。因此，生成的数据帧是：result_df = pd.DataFrame({"id": [1, 1, 2, 3], "date": [pd.Timestamp(2002, 2, 2), pd.Timestamp(2003, 3, 3), pd.Timestamp(2005, 5, 5), pd.Timestamp(2008, 8, 8)], "numeric": [0.9, 0.4, 0.6, 0.7], "nominal": [0, 1, 1, 0]})关于我们如何获得结果数据帧的更多解释：因为id == 1只有最后一行被删除，因为在最后一行之前的行中有该numeric列的值。对于id == 2最后两行被删除，因为最后一行默认情况下，该行的最后一个具有前去除nan值。对于id == 3被删除的最后三个行，因为最后一行是默认和第一去除non-nan值从低于第四行计数。此外，我目前正在做的是：df.groupby("id", as_index=False).apply(lambda x: x.iloc[:-1]).reset_index(drop=True)但是，这只会删除每个组的最后一行，我想N根据上面解释的条件删除最后一行。如果您需要任何进一步的信息，请告诉我，并期待您的回答！

Answer 1

对于您发布的特定示例，在分组之前仅删除 NaN 即可：

df = df.dropna().groupby('id').apply(lambda x: x.iloc[:-1]).reset_index(drop=True)

df

Out[58]: 

   id       date  numeric  nominal

0   1 2002-02-02      0.9        0

1   1 2003-03-03      0.4        1

2   2 2005-05-05      0.6        1

3   3 2008-08-08      0.7        0

如果您有一个不连续的 NaN 并且只想删除最后一个 NaN 块：

def strip_rows(X):    

    X = X.iloc[:-1, :]

    while pd.isna(X.iloc[-1, 2]):        

        X = X.iloc[:-1, :]

    return X

df_1 = pd.DataFrame({"id": [1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 3, 3],

                   "date": [pd.Timestamp(2002, 2, 2),

                            pd.Timestamp(2003, 3, 3), 

                            pd.Timestamp(2004, 4, 4), 

                            pd.Timestamp(2005, 5, 5), 

                            pd.Timestamp(2006, 6, 6),

                            pd.Timestamp(2007, 7, 7),

                            pd.Timestamp(2008, 8, 8),

                            pd.Timestamp(2009, 9, 9),

                            pd.Timestamp(2010, 10, 10), 

                            pd.Timestamp(2011, 11, 11),

                            pd.Timestamp(2011, 12, 12),

                            pd.Timestamp(2012, 1, 1)],

                    "numeric": [0.9, 0.4, 0.2, 0.6, np.nan, 0.8, 0.7, np.nan, np.nan, 0.5, np.nan, 0.3],

                    "nominal": [0, 1, 0, 1, 0, 0, 0, 1, 1, 1, 0, 1]})

df_2 = df_1.groupby('id').apply(strip_rows).reset_index(drop=True)

df_1

Out[151]: 

    id       date  numeric  nominal

0    1 2002-02-02      0.9        0

1    1 2003-03-03      0.4        1

2    1 2004-04-04      0.2        0

3    2 2005-05-05      0.6        1

4    2 2006-06-06      NaN        0

5    2 2007-07-07      0.8        0

6    3 2008-08-08      0.7        0

7    3 2009-09-09      NaN        1

8    3 2010-10-10      NaN        1

9    3 2011-11-11      0.5        1

10   3 2011-12-12      NaN        0

11   3 2012-01-01      0.3        1

df_2

Out[152]: 

   id       date  numeric  nominal

0   1 2002-02-02      0.9        0

1   1 2003-03-03      0.4        1

2   2 2005-05-05      0.6        1

3   3 2008-08-08      0.7        0

4   3 2009-09-09      NaN        1

5   3 2010-10-10      NaN        1

6   3 2011-11-11      0.5        1