如何根据从该数据框派生的组的属性将元素分配给熊猫数据框的列？

Question

假设我按如下方式导入 pandas 和 numpy：import pandas as pdimport numpy as np并构建以下数据框：df = pd.DataFrame({'Alpha' ['A','A','A','B','B','B','B','C','C','C','C','C'],'Beta' : np.NaN})...这给了我这个：    Alpha  Beta0      A   NaN1      A   NaN2      A   NaN3      B   NaN4      B   NaN5      B   NaN6      B   NaN7      C   NaN8      C   NaN9      C   NaN10     C   NaN11     C   NaN如何使用 pandas 获取以下数据框？df_u = pd.DataFrame({'Alpha':['A','A','A','B','B','B','B','C','C','C','C','C'],'Beta' : [1,2,3,1,2,2,3,1,2,2,2,3]})即：   Alpha  Beta0      A     11      A     22      A     33      B     14      B     25      B     26      B     37      C     18      C     29      C     210     C     211     C     3一般来说，我想要实现的目标可以用以下逻辑来描述：假设我们将 df 按 Alpha 分组。对于每个组，对于组中的每一行......如果行的索引等于组中行的最小索引，则将该行的 Beta 赋值为 1，否则，如果行的索引等于组中行的最大索引，则为该行分配 3 到 Beta，否则将 2 分配给该行的 Beta。

Answer 1

让我们使用重复的：

df.loc[~df.duplicated('Alpha', keep='last'), 'Beta'] = 3

df.loc[~df.duplicated('Alpha', keep='first'), 'Beta'] = 1

df['Beta'] = df['Beta'].fillna(2)

print(df)

输出：

   Alpha  Beta

0      A   1.0

1      A   2.0

2      A   3.0

3      B   1.0

4      B   2.0

5      B   2.0

6      B   3.0

7      C   1.0

8      C   2.0

9      C   2.0

10     C   2.0

11     C   3.0

Answer 2

假设“Alpha”列已排序，您可以这样做

df["Beta"] = 2

df.loc[~(df["Alpha"] == df["Alpha"].shift()), "Beta"] = 1

df.loc[~(df["Alpha"] == df["Alpha"].shift(-1)), "Beta"] = 3

df

Answer 3

方法一

使用np.select：

mask1=df['Alpha'].ne(df['Alpha'].shift())

mask3=df['Alpha'].ne(df['Alpha'].shift(-1))

mask2=~(mask1|mask3)

cond=[mask1,mask2,mask3]

values=[1,2,3]

df['Beta']=np.select(cond,values)

print(df)

   Alpha  Beta

0      A     1

1      A     2

2      A     3

3      B     1

4      B     2

5      B     2

6      B     3

7      C     1

8      C     2

9      C     2

10     C     2

11     C     3

条件列表的详细信息：

print(mask1)

0      True

1     False

2     False

3      True

4     False

5     False

6     False

7      True

8     False

9     False

10    False

11    False

Name: Alpha, dtype: bool

print(mask2)

0     False

1      True

2     False

3     False

4      True

5      True

6     False

7     False

8      True

9      True

10     True

11    False

Name: Alpha, dtype: bool

print(mask3)

0     False

1     False

2      True

3     False

4     False

5     False

6      True

7     False

8     False

9     False

10    False

11     True

Name: Alpha, dtype: bool

方法二

使用groupby：

def assign_value(x):

    return pd.Series([1]+[2]*(len(x)-2)+[3])

new_df=df.groupby('Alpha').apply(assign_value).rename('Beta').reset_index('Alpha') 

print(new_df)

  Alpha  Beta

0     A     1

1     A     2

2     A     3

0     B     1

1     B     2

2     B     2

3     B     3

0     C     1

1     C     2

2     C     2

3     C     2

4     C     3