Skip to main content
 首页 » 编程设计

python之如何在 Pandas 中以这种方式转换列

2025年02月15日11freeliver54

原始数据为:

df=pd.DataFrame({'A': [1]*3 + [2]*3 + [1]*4 + [3]*5, 
                 'B': [1.5]*2 + [2]*4 + [1.5]*5 + [3.2]*4}) 

如何将 A 和 B 列转换为:

A_con 和B_con 的规则是:

A_con[0]=0; if(A[i]>A[i-1], A_con[i]=True, if(A[i]==A[i-1] && A_con[i-1]==True, A_con[i] =真,A_con[i]=假))

days_A 和 days_B 的规则是:

if(A_con[i]==True, days_A[i]=days_A[i-1]+1, days_A[i]=0)

请您参考如下方法:

diff 方法获取当前行与其上一行之间的差异。任何积极的事情都会使 A_con 为真。棘手的部分是当差异为 0 时。当为 0 时,上面的直接值可以取代它。这是使用带有 ffill 方法的 replace 完成的。这会处理 A_con 和 B_con

对于 days 列,我们采用一种方法,首先使用 df['A_con '].cumsum()。这显然多于计数,因为我们必须将 A_con 中的任何 False 值重置为 0,并在 True 时重新开始计数。

为此,只要 A_con 为 False,就会减去整个累积和。但是,当A_con 为True 时,只需要减去到最后一个False 的累加即可继续计数。当 A_con 为 False 时,通过用最后的累积和向前填充来替换所有 True 值(现在用 1 - a_cum.diff() 评估为 0)再次完成此操作.

# create a little more data to test 
df=pd.DataFrame({'A': [1]*3 + [2]*3 + [1]*4 + [3]*5 + [2.2]*3 + [2.4]*3, 
                 'B': [1.5]*2 + [2]*4 + [1.5]*5 + [3.2]*4 + [2.2]*3 + [2.4]*3}) 
 
df['A_con'] = df['A'].diff().replace(0, method='ffill') > 0 
a_cum = df['A_con'].cumsum() 
a_cum_sub = (a_cum * (1 - a_cum.diff())).replace(0, method='ffill').fillna(0) 
df['days_A'] = a_cum - a_cum_sub 
 
df['B_con'] = df['B'].diff().replace(0, method='ffill') > 0 
b_cum = df['B_con'].cumsum() 
b_cum_sub = (b_cum * (1 - b_cum.diff())).replace(0, method='ffill').fillna(0) 
df['days_B'] = b_cum - b_cum_sub 

有输出

      A    B  A_con  days_A  B_con  days_B 
0   1.0  1.5  False     0.0  False     0.0 
1   1.0  1.5  False     0.0  False     0.0 
2   1.0  2.0  False     0.0   True     1.0 
3   2.0  2.0   True     1.0   True     2.0 
4   2.0  2.0   True     2.0   True     3.0 
5   2.0  2.0   True     3.0   True     4.0 
6   1.0  1.5  False     0.0  False     0.0 
7   1.0  1.5  False     0.0  False     0.0 
8   1.0  1.5  False     0.0  False     0.0 
9   1.0  1.5  False     0.0  False     0.0 
10  3.0  1.5   True     1.0  False     0.0 
11  3.0  3.2   True     2.0   True     1.0 
12  3.0  3.2   True     3.0   True     2.0 
13  3.0  3.2   True     4.0   True     3.0 
14  3.0  3.2   True     5.0   True     4.0 
15  2.2  2.2  False     0.0  False     0.0 
16  2.2  2.2  False     0.0  False     0.0 
17  2.2  2.2  False     0.0  False     0.0 
18  2.4  2.4   True     1.0   True     1.0 
19  2.4  2.4   True     2.0   True     2.0 
20  2.4  2.4   True     3.0   True     3.0