我有以下数据框:
V1
1 100000
2 50000
3 20000
4 30000
5 150000
6 30000
7 20000
8 200000
而且我需要获取每次 V1 的总和正好达到 50k 时的索引。因此,当值 V1 大于 50k 的限制时,索引将重复达到限制的次数,或者如果值 V1 低于 50k 的限制,则对行进行分组,直到达到或超过 50k 的限制。结果将是这样的:
V1
1 100000
1 100000
2 50000
4 30000
5 150000
5 150000
5 150000
7 20000
8 200000
8 200000
8 200000
8 200000
我已经设法用循环解决了它,但我想知道是否可以将分组与 pandas 函数一起使用。
请您参考如下方法:
在你给出的例子中
df = pd.DataFrame({'V1':[100000,50000, 20000, 30000,
150000, 30000, 20000, 200000]},
index=range(1,9))
根据我对“每次 V1 的总和恰好达到 50k 时获取索引”的理解,您可以通过创建一个列来实现,该列的数量恰好是总和中的 50k直到每一行:
ser_50k = (df.V1.cumsum()/50000).astype(int)
df['nb_50'] = (ser_50k - ser_50k.shift()).fillna(ser_50k).astype(int)
现在,当 50k 达到多次时,您可以使用 stack 创建具有相同索引的行:
df_join = (df['nb_50'].apply(lambda x: pd.Series(range(x)))
.stack().reset_index(level=1).drop('level_1',1))
df = df.join(df_join).dropna().drop(['nb_50',0],1)
然后您将通过输入示例获得预期的输出。
问题是,当你有
df= pd.DataFrame({'V1':[180000, 20000, 30000, 50000]})
我的方法给你:
V1
0 180000
0 180000
0 180000
1 20000
3 50000
稍后可能会发生一些错误,而当您说“当值 V1 大于 50k 的限制时,索引将重复达到限制的次数,或者如果值 V1 低于50k 的限制,对行进行分组,直到达到或超过 50k 的限制”,我知道您会期望:
V1
0 180000
0 180000
0 180000
2 30000
3 50000
在这种情况下,如果你不想使用循环,当数字超过50K时,你可以这样做(与之前的想法大致相同):
df = df.join(df['V1'].apply(lambda x: pd.Series(range(x/50000)))
.stack().reset_index(level=1).drop('level_1',1)).drop(0,1)
但是我想不出一种简单的方法来处理数字低于 50k 的情况,因此您的循环 for 可能就足够了。否则,我是这样想的:
def nb_group_under(v1):
global nb_group
if v1 < 50000:
return nb_group
else:
nb_group += 1
nb_group = 1
df['under_50'] = df['V1'].apply(nb_group_under)
然后你尝试在创建的组中找到传递 50k 的位置:
df['sum_under50'] = (df.groupby('under_50').V1.cumsum()/50000).astype(int)
df['sum_under50'] = df.sum_under50 - (df.groupby('under_50').sum_under50
.shift().fillna(df.sum_under50))
df = (df[(df['sum_under50']>0) | (df['V1'] >= 50000)]
.drop(['under_50', 'sum_under50'],1))
我对 50 岁以下案例的方法不是特别满意,但想不出别的办法。
希望它对您有所帮助,或者给您一些关于如何在没有循环的情况下解决问题的想法
编辑:对于更通用的解决方案,您可以创建一个函数返回 50k 在值 v1 中的次数,或者在超过 50k 时执行部分求和返回 1,您仍然需要一个全局变量:
def nb_lim_reached (v1, lim_v1):
global partial_sum
if v1 >= lim_v1:
partial_sum = 0
return pd.np.floor(v1/lim_v1)
else:
partial_sum += v1
if partial_sum >= lim_v1:
partial_sum -= lim_v1
return 1
else:
return 0
现在您可以使用此功能创建另一个列:
v1_lim = 50000
partial_sum = 0
df['nb_lim'] = df['V1'].apply(nb_lim_reached, args=( v1_lim,)).astype(int)
现在你使用与我的 reviosu 解决方案相同的想法,包括 pd.Series 和 stack:
df = (df.join(df['nb_lim'].apply(lambda nb: pd.Series(range(nb)))
.stack().reset_index(level=1).drop('level_1',1))
.dropna().drop(['nb_lim',0],1))
