Início / coding / Perguntas / 79432346
Accepted
Whitebeard13
Asked: 2025-02-12 16:16:51 +0800 CST

Agrupar e aplicar a função várias vezes para produzir várias colunas novas

  • 772

Gostaria de criar três novas colunas em um dataframe pandas existente ( df) usando a mesma lambdafunção na mesma coluna, mas com uma entrada diferente. Consegui isso com as seguintes linhas de código. No entanto, gostaria de saber se há uma maneira mais rápida de produzir a mesma saída com menos linhas de código:

df["1d"] = (
        df
        .groupby(cols)["ln"]
        .apply(lambda x: x - x.shift(1))
        .values
)
df["5d"] = (
        df
        .groupby(cols)["ln"]
        .apply(lambda x: x - x.shift(5))
        .values
)
df["30d"] = (
        df
        .groupby(cols)["ln"]
        .apply(lambda x: x - x.shift(30))
        .values
)
pandas

1 respostas

  1. Best Answer

    Você tem que fazer um loop sobre as mudanças, mas pode reutilizar o agrupador:

    shifts = [1, 5, 30]
g = df.groupby(cols)['ln']
for s in shifts:
    df[f'{s}d'] = df['ln']-g.shift(s)

    Além disso, sua abordagem para usar groupby.apply+ .valuesestá incorreta. Isso só funcionaria se as linhas já estivessem classificadas por grupo. Se você usar, groupby.shiftmanterá um índice/alinhamento correto.

    Se você realmente precisa usar uma função personalizada, vá com groupby.transform:

    shifts = [1, 5, 30]
g = df.groupby(cols)['ln']
for s in shifts:
    df[f'{s}d'] = g.transform(lambda x: x-x.shift(s))

    Exemplo com uma entrada fictícia e cols = ['A', 'B']:

        A  B  ln    1d    5d  30d
0   0  0   0   NaN   NaN  NaN
1   0  0   2   2.0   NaN  NaN
2   0  0  10   8.0   NaN  NaN
3   0  1   6   NaN   NaN  NaN
4   0  1   8   2.0   NaN  NaN
5   0  1   9   1.0   NaN  NaN
6   0  1  15   6.0   NaN  NaN
7   1  0   4   NaN   NaN  NaN
8   1  0  19  15.0   NaN  NaN
9   1  1   1   NaN   NaN  NaN
10  1  1   3   2.0   NaN  NaN
11  1  1  12   9.0   NaN  NaN
12  1  1  16   4.0   NaN  NaN
13  1  1  17   1.0   NaN  NaN
14  1  1  18   1.0  17.0  NaN
15  2  0   7   NaN   NaN  NaN
16  2  0  11   4.0   NaN  NaN
17  2  0  13   2.0   NaN  NaN
18  2  1   5   NaN   NaN  NaN
19  2  1  14   9.0   NaN  NaN
    • 2

relate perguntas