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 dataset

data = {'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 events

data['event'][4] = 1

data['event'][9] = 1

df = pd.DataFrame(data)

我怎样才能最好地得到这样的输出？

   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

谢谢你的帮助！

Answer 1

使用groupbydef 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_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          -211          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') - 1df.drop(columns='tmp', inplace=True)df.sort_values(by=['dates', 'categories'], ascending=[True, True], inplace=True)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

Answer 3

尝试这样的事情：import pandas as pdimport numpy as npdata = {'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 waydf.loc[df.event == 0, 'Newevents'] = 'Cancelled'df.loc[df.event != 0, 'Newevents'] = 'Scheduled'# Another wayconditions = [    (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  event0           a      0      01           b      0      12           c      0      03           a      1      04           b      1      15           c      1      06           a      2      07           b      2      18           c      2      09           a      3      010          b      3      111          c      3      0categories  dates  event  Newevents NewCategories0           a      0      0  Cancelled          None1           b      0      1  Scheduled     Completed2           c      0      0  Cancelled     Scheduled3           a      1      0  Cancelled          None4           b      1      1  Scheduled     Completed5           c      1      0  Cancelled     Scheduled6           a      2      0  Cancelled          None7           b      2      1  Scheduled     Completed8           c      2      0  Cancelled     Scheduled9           a      3      0  Cancelled          None10          b      3      1  Scheduled     Completed11          c      3      0  Cancelled