根据其他列的查找设置列值

Question

我有一个DataFrame，其中包含dates、categories和一列，该列显示该类别是否发生了一次性事件。我想创建一个新列，其中包含事件发生之前的时间，或者某个指标没有事件，例如负时间。数据集非常大，我想有一个更好的解决方案，而不是使用 Pandas 更好的人会知道的循环暴力破解它！所以，简而言之，如果我这样创建我的数据集：import pandas as pd#create example datasetdata = {'categories':['a','b','c']*4,'dates':[i for i in range(4) for j in range(3)],'event':[0]*3*4}#add a couple of eventsdata['event'][4] = 1data['event'][9] = 1df = pd.DataFrame(data)我怎样才能最好地得到这样的输出？   categories  dates  event  time_until0           a      0      0           31           b      0      0           12           c      0      0          -13           a      1      0           24           b      1      1           05           c      1      0          -16           a      2      0           17           b      2      0          -18           c      2      0          -19           a      3      1           010          b      3      0          -111          c      3      0          -1谢谢你的帮助！

Answer 1

使用groupby

def f(s):

    s = s.reset_index(drop=True)

    one = s[s.eq(1)]

    if one.empty: return -1

    return -s.index + one.index[0]

df.groupby('categories').event.transform(f)

  categories  dates  event  time_until

0           a      0      0           3

1           b      0      0           1

2           c      0      0          -1

3           a      1      0           2

4           b      1      1           0

5           c      1      0          -1

6           a      2      0           1

7           b      2      0          -1

8           c      2      0          -1

9           a      3      1           0

10          b      3      0          -2

11          c      3      0          -1

请注意，即使在事件发生之后，它也会找到距离。因此，对于以下事件，您将获得以下输出

event = [0, 0, 0, 1, 0, 0]

until = [3, 2, 1, 0, -1, -2]

如果您需要使所有负值保持不变-1，那么只需在最后进行调整

df.time_until.where(df.time_until >= -1, -1)

Answer 2

替代解决方案：

df.sort_values(by=['categories', 'dates'], ascending=[True, False], inplace=True)

df['tmp'] = df.groupby('categories')['event'].transform('cumsum')

df['time_until'] = df.groupby('categories')['tmp'].transform('cumsum') - 1

df.drop(columns='tmp', inplace=True)

df.sort_values(by=['dates', 'categories'], ascending=[True, True], inplace=True)

输出：

      categories  dates  event  time_until

0           a      0      0           3

1           b      0      0           1

2           c      0      0          -1

3           a      1      0           2

4           b      1      1           0

5           c      1      0          -1

6           a      2      0           1

7           b      2      0          -1

8           c      2      0          -1

9           a      3      1           0

10          b      3      0          -1

11          c      3      0          -1

Answer 3

尝试这样的事情：

import pandas as pd

import numpy as np

data = {'categories':['a','b','c']*4,

        'dates':[i for i in range(4) for j in range(3)],

        'event':[0, 1, 0]*4}

df = pd.DataFrame(data)

print(df)

# One way

df.loc[df.event == 0, 'Newevents'] = 'Cancelled'

df.loc[df.event != 0, 'Newevents'] = 'Scheduled'

# Another way

conditions = [

    (df['categories'] == "a"),

    (df['categories'] == "b"),

    (df['categories'] == "c")]

choices = ['None', 'Completed', 'Scheduled']

df['NewCategories'] = np.select(conditions, choices, default='black')

print(df)

输出：

categories  dates  event

0           a      0      0

1           b      0      1

2           c      0      0

3           a      1      0

4           b      1      1

5           c      1      0

6           a      2      0

7           b      2      1

8           c      2      0

9           a      3      0

10          b      3      1

11          c      3      0

categories  dates  event  Newevents NewCategories

0           a      0      0  Cancelled          None

1           b      0      1  Scheduled     Completed

2           c      0      0  Cancelled     Scheduled

3           a      1      0  Cancelled          None

4           b      1      1  Scheduled     Completed

5           c      1      0  Cancelled     Scheduled

6           a      2      0  Cancelled          None

7           b      2      1  Scheduled     Completed

8           c      2      0  Cancelled     Scheduled

9           a      3      0  Cancelled          None

10          b      3      1  Scheduled     Completed

11          c      3      0  Cancelled