Skip to main content
 首页 » 编程设计

python之在 Pandas 数据框中使用 groupby 时,如何根据前一行的值增加一列

2024年11月24日11jiqing9006

我有以下数据框:

claim   diagnosis   sequence 
100     1           1.0 
100     2           1.0 
100     3           NaN 
100     4           NaN 
105     1           1.0 
105     2           2.0 
105     3           2.0 
105     4           NaN 
111     1           1.0 
111     2           2.0 
111     3           3.0 
111     4           NaN 

我需要的是将所有 NaN 替换为上一行中的 oneup 值,声明为:

claim   diagnosis   sequence 
100     1           1.0 
100     2           1.0 
100     3           2.0 
100     4           3.0 
105     1           1.0 
105     2           2.0 
105     3           2.0 
105     4           3.0 
111     1           1.0 
111     2           2.0 
111     3           3.0 
111     4           4.0 

我试过 cumcount,但似乎无法让它使用以前的值。我也尝试过 loc,但还不太了解它。

things = [{'claim':100, 'diagnosis':1, 'sequence':1}, 
    {'claim':100, 'diagnosis':2, 'sequence':1 }, 
    {'claim':100, 'diagnosis':3, }, 
    {'claim':100, 'diagnosis':4, }, 
    {'claim':105, 'diagnosis':1, 'sequence':1}, 
    {'claim':105, 'diagnosis':2, 'sequence':2}, 
    {'claim':105, 'diagnosis':3,'sequence':2 }, 
    {'claim':105, 'diagnosis':4, }, 
    {'claim':111, 'diagnosis':1, 'sequence':1}, 
    {'claim':111, 'diagnosis':2, 'sequence':2}, 
    {'claim':111, 'diagnosis':3,  'sequence':3}, 
    {'claim':111, 'diagnosis':4, }] 
 
df = pd.DataFrame(things) 
df 

几天来我一直在为这个问题绞尽脑汁,任何帮助都会很棒。

请您参考如下方法:

使用 cumsum 计算该行之前有多少 NaN ,然后用 ffill 加起来

s1=df['sequence'].isnull().groupby(df['claim']).cumsum() 
df['sequence']=s1+df.groupby('claim')['sequence'].ffill() 
df 
Out[145]:  
    claim  diagnosis  sequence 
0     100          1       1.0 
1     100          2       1.0 
2     100          3       2.0 
3     100          4       3.0 
4     105          1       1.0 
5     105          2       2.0 
6     105          3       2.0 
7     105          4       3.0 
8     111          1       1.0 
9     111          2       2.0 
10    111          3       3.0 
11    111          4       4.0