主页 / coding / 问题 / 77642795
Accepted
Viktor
Asked: 2023-12-12 06:55:13 +0800 CST

Pandas 根据具有选定索引和 shift() 的切片更改 pandas 数据框中的值

  • 772

假设我有一个数据框df。首先我对其进行过滤，然后我需要找到满足条件的所有行，然后在原始数据帧的特定 bool 列中标记所有这些行以及每行的前 2 行：

df = pd.DataFrame({{'A': {0: nan, 1: nan, 2: 1944.09, 3: nan, 4: nan, 5: 1926.0, 6: nan, 7: 1930.31, 8: nan, 9: nan, 10: nan, 11: nan, 12: nan, 13: nan, 14: nan, 15: 1917.66, 16: 1920.43, 17: nan, 18: 1909.04, 19: nan, 20: nan, 21: nan, 22: nan, 23: nan, 24: 1920.05, 25: nan, 26: 1915.4, 27: 1921.87, 28: nan, 29: nan, 30: nan, 31: 1912.42, 32: 1920.08, 33: 1915.8, 34: nan, 35: nan, 36: nan, 37: nan, 38: 1919.71, 39: 1916.2, 40: nan, 41: 1926.79, 42: nan, 43: 1918.66, 44: nan, 45: 1925.5, 46: 1922.22, 47: nan, 48: nan, 49: 1927.87, 50: 1923.24, 51: nan, 52: 1929.53, 53: nan, 54: nan, 55: nan, 56: nan, 57: nan, 58: nan, 59: nan, 60: nan, 61: 1918.37, 62: nan, 63: nan, 64: 1923.61, 65: nan, 66: 1917.1, 67: nan, 68: nan, 69: nan, 70: nan, 71: nan, 72: nan, 73: nan, 74: nan, 75: nan, 76: nan, 77: nan, 78: nan, 79: nan, 80: nan, 81: 1924.48, 82: nan, 83: nan, 84: 1923.03, 85: nan, 86: nan, 87: nan, 88: nan, 89: 1926.87, 90: nan, 91: nan, 92: nan, 93: 1921.79, 94: nan, 95: 1925.27, 96: nan, 97: 1919.0, 98: nan, 99: nan, 100: 1923.74, 101: nan, 102: nan, 103: nan, 104: nan, 105: 1911.61, 106: nan, 107: 1923.33, 108: nan, 109: nan, 110: nan, 111: 1912.0, 112: nan, 113: 1915.8, 114: nan, 115: 1913.05, 116: nan, 117: nan, 118: nan, 119: nan, 120: nan, 121: nan, 122: 1916.93, 123: nan, 124: 1913.69, 125: nan, 126: nan, 127: nan, 128: nan, 129: 1918.38, 130: 1913.7, 131: nan, 132: nan, 133: nan, 134: nan, 135: nan, 136: 1919.5, 137: nan, 138: 1916.14, 139: nan, 140: nan, 141: nan, 142: nan, 143: nan, 144: 1921.28, 145: nan, 146: nan, 147: nan, 148: nan, 149: nan, 150: 1915.0, 151: nan, 152: nan, 153: nan, 154: nan, 155: nan, 156: 1927.48, 157: 1889.17, 158: nan, 159: 1921.91, 160: 1917.67, 161: 1923.23, 162: nan, 163: nan, 164: nan, 165: 1909.88, 166: nan, 167: 1913.82, 168: 1902.51, 169: nan, 170: nan, 171: nan, 172: nan, 173: nan, 174: nan, 175: nan, 176: nan, 177: nan, 178: nan, 179: 1920.15}, 'C': {0: False, 1: False, 2: True, 3: False, 4: False, 5: False, 6: False, 7: False, 8: False, 9: False, 10: False, 11: False, 12: False, 13: False, 14: False, 15: False, 16: False, 17: False, 18: False, 19: False, 20: False, 21: False, 22: False, 23: False, 24: False, 25: False, 26: False, 27: True, 28: False, 29: False, 30: False, 31: False, 32: True, 33: False, 34: False, 35: False, 36: False, 37: False, 38: False, 39: False, 40: False, 41: True, 42: False, 43: False, 44: False, 45: False, 46: False, 47: False, 48: False, 49: False, 50: False, 51: False, 52: True, 53: False, 54: False, 55: False, 56: False, 57: False, 58: False, 59: False, 60: False, 61: False, 62: False, 63: False, 64: False, 65: False, 66: False, 67: False, 68: False, 69: False, 70: False, 71: False, 72: False, 73: False, 74: False, 75: False, 76: False, 77: False, 78: False, 79: False, 80: False, 81: False, 82: False, 83: False, 84: False, 85: False, 86: False, 87: False, 88: False, 89: True, 90: False, 91: False, 92: False, 93: False, 94: False, 95: False, 96: False, 97: False, 98: False, 99: False, 100: False, 101: False, 102: False, 103: False, 104: False, 105: False, 106: False, 107: True, 108: False, 109: False, 110: False, 111: False, 112: False, 113: False, 114: False, 115: False, 116: False, 117: False, 118: False, 119: False, 120: False, 121: False, 122: False, 123: False, 124: False, 125: False, 126: False, 127: False, 128: False, 129: False, 130: False, 131: False, 132: False, 133: False, 134: False, 135: False, 136: False, 137: False, 138: False, 139: False, 140: False, 141: False, 142: False, 143: False, 144: False, 145: False, 146: False, 147: False, 148: False, 149: False, 150: False, 151: False, 152: False, 153: False, 154: False, 155: False, 156: True, 157: False, 158: False, 159: False, 160: False, 161: True, 162: False, 163: False, 164: False, 165: False, 166: False, 167: False, 168: False, 169: False, 170: False, 171: False, 172: False, 173: False, 174: False, 175: False, 176: False, 177: False, 178: False, 179: False}})

df2 = df[df.C]
print(df2)

2      1944.09
27     1921.87
32     1920.08
41     1926.79
52     1929.53
89     1926.87
107    1923.33
156    1927.48
161    1923.23
Name: A, dtype: float64

df3 = df2[(df2.A > df2.A.shift(1)) & (df2.A.shift(1) > df2.A.shift(2))]
print(df3)

52    1929.53
Name: A, dtype: float64

df[FROM_2nd_PREVIOUS_TO_EVERY_ROW_OF_df3_IN_df2:TO_EVERY_ROW_IN_df3, 'B'] = True
print(df)
           A        B
0        NaN    False
..       ...      ...
31   1234.56    False
32   1920.08    True
33   1234.56    True
..       ...      ...
41   1926.79    True
40   1234.56    True
..       ...      ...
51   1234.56    True
52   1929.53    True
52   1234.56    False
..       ...      ...
176      NaN    False
177      NaN    False
178      NaN    False
179  1920.15    False

正确的做法是什么？

python

1 个回答

  1. Best Answer

    一种方法是根据升序值条件创建一个掩码，然后使用它来查找其中np.flatnonzero所有值的索引；True然后可以使用这些结果对过滤后的值进行索引，以查找需要设置的值的范围True：

    df = {'A': [nan, nan, 1944.09, nan, nan, 1926.0, nan, 1930.31, nan, nan, nan, nan, nan, nan, nan, 1917.66, 1920.43, nan, 1909.04, nan, nan, nan, nan, nan, 1920.05, nan, 1915.4, 1921.87, nan, nan, nan, 1912.42, 1920.08, 1915.8, nan, nan, nan, nan, 1919.71, 1916.2, nan, 1926.79, nan, 1918.66, nan, 1925.5, 1922.22, nan, nan, 1927.87, 1923.24, nan, 1929.53, nan, nan, nan, nan, nan, nan, nan, nan, 1918.37, nan, nan, 1923.61, nan, 1917.1, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, 1924.48, nan, nan, 1923.03, nan, nan, nan, nan, 1926.87, nan, nan, nan, 1921.79, nan, 1925.27, nan, 1919.0, nan, nan, 1923.74, nan, nan, nan, nan, 1911.61, nan, 1923.33, nan, nan, nan, 1912.0, nan, 1915.8, nan, 1913.05, nan, nan, nan, nan, nan, nan, 1916.93, nan, 1913.69, nan, nan, nan, nan, 1918.38, 1913.7, nan, nan, nan, nan, nan, 1919.5, nan, 1916.14, nan, nan, nan, nan, nan, 1921.28, nan, nan, nan, nan, nan, 1915.0, nan, nan, nan, nan, nan, 1927.48, 1889.17, nan, 1921.91, 1917.67, 1923.23, nan, nan, nan, 1909.88, nan, 1913.82, 1902.51, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, 1920.15], 'C': [False, False, True, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, True, False, False, False, False, True, False, False, False, False, False, False, False, False, True, False, False, False, False, False, False, False, False, False, False, True, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, True, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, True, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, True, False, False, False, False, True, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False]}

# filter by df.C
a = df[df.C]['A']

# generate mask
mask = (a > a.shift(1)) & (a.shift(1) > a.shift(2))

# get indexes of values which need to be true
idxs = itertools.chain.from_iterable(range(a.index[i-2], a.index[i]+1) for i in np.flatnonzero(mask))

# and set B
df['B'] = df.index.isin(idxs)

    输出：

               A      C      B
0        NaN  False  False
1        NaN  False  False
...
31   1912.42  False  False
32   1920.08   True   True
33   1915.80  False   True
...
51       NaN  False   True
52   1929.53   True   True
53       NaN  False  False
...
178      NaN  False  False
179  1920.15  False  False
    • 2

相关问题