如何根据需求列在数据框 python 中创建累计总和 (new_supply) 来自表
item Date supply demand
A 2018-01-01 - 10
A 2018-01-02 - 15
A 2018-01-03 100 30
A 2018-01-04 - 10
A 2018-01-05 - 40
A 2018-01-06 50 50
A 2018-01-07 - 10
B 2018-01-01 - 20
B 2018-01-02 - 30
B 2018-01-03 20 60
B 2018-01-04 - 20
B 2018-01-05 100 10
B 2018-01-06 - 20
B 2018-01-07 - 30
从上表中新建所需的表
item Date supply demand new_supply
A 2018-01-01 - 10 -
A 2018-01-02 - 15 -
A 2018-01-03 100 30 55
A 2018-01-04 - 10 -
A 2018-01-05 - 40 -
A 2018-01-06 50 50 100
A 2018-01-07 - 10 -
B 2018-01-01 - 20 -
B 2018-01-02 - 30 -
B 2018-01-03 20 60 110
B 2018-01-04 - 20 -
B 2018-01-05 100 10 140
B 2018-01-06 - 20 -
B 2018-01-07 - 30 -
请您参考如下方法:
我相信你需要DataFrameGroupBy.cumsum与 numpy.where与 isnumeric用于按列 supply 仅为数字值设置新值:
m = df['supply'].str.isnumeric()
g = m.iloc[::-1].cumsum()
df['new'] = np.where(m, df.groupby(['item',g])['demand'].cumsum(), '-')
print (df)
item Date supply demand new
0 A 2018-01-01 - 10 -
1 A 2018-01-02 - 15 -
2 A 2018-01-03 100 30 55
3 A 2018-01-04 - 10 -
4 A 2018-01-05 - 40 -
5 A 2018-01-06 50 50 100
6 A 2018-01-07 - 10 -
7 B 2018-01-01 - 20 -
8 B 2018-01-02 - 30 -
9 B 2018-01-03 20 60 110
10 B 2018-01-04 - 20 -
11 B 2018-01-05 100 10 30
12 B 2018-01-06 - 20 -
13 B 2018-01-07 - 30 -
或者:
m = df['supply'].str.isnumeric()
df['new'] = np.where(m, df.groupby('item')['demand'].cumsum(), '-')
print (df)
item Date supply demand new
0 A 2018-01-01 - 10 -
1 A 2018-01-02 - 15 -
2 A 2018-01-03 100 30 55
3 A 2018-01-04 - 10 -
4 A 2018-01-05 - 40 -
5 A 2018-01-06 50 50 155
6 A 2018-01-07 - 10 -
7 B 2018-01-01 - 20 -
8 B 2018-01-02 - 30 -
9 B 2018-01-03 20 60 110
10 B 2018-01-04 - 20 -
11 B 2018-01-05 100 10 140
12 B 2018-01-06 - 20 -
13 B 2018-01-07 - 30 -
如果需要所有值:
df['new'] = df.groupby('item')['demand'].cumsum()
print (df)
item Date supply demand new
0 A 2018-01-01 - 10 10
1 A 2018-01-02 - 15 25
2 A 2018-01-03 100 30 55
3 A 2018-01-04 - 10 65
4 A 2018-01-05 - 40 105
5 A 2018-01-06 50 50 155
6 A 2018-01-07 - 10 165
7 B 2018-01-01 - 20 20
8 B 2018-01-02 - 30 50
9 B 2018-01-03 20 60 110
10 B 2018-01-04 - 20 130
11 B 2018-01-05 100 10 140
12 B 2018-01-06 - 20 160
13 B 2018-01-07 - 30 190
