Início / coding / Perguntas / 79544212
Accepted
Abdul Gaffoor G K
Asked: 2025-03-30 13:26:20 +0800 CST

Total de execução condicional com base no campo de data no Pandas

  • 772

Tenho um dataframe com os dados abaixo.

Data e hora Marcação Qtd.
2025-01-01 13:00 1 270
2025-01-03 13:22 1 32
2025-01-10 12:33 2 44
2025-01-22 10:04 2 120
2025-01-29 09:30 3 182
2025-02-02 15:05 1 216

A ser alcançado : 2 novas colunas, a primeira com a soma cumulativa de Qtd até a Data/Hora em cada linha quando a Tag não for igual a 2, a segunda com a soma cumulativa de Qtd até a Data/Hora em cada linha quando a Tag for igual a 2. Abaixo está o resultado que estou procurando.

Data e hora Marcação Qtd. RBQ Resposta
2025-01-01 13:00 1 270 270 0
2025-01-03 13:22 1 32 302 0
2025-01-10 12:33 2 44 302 44
2025-01-22 10:04 2 120 302 164
2025-01-29 09:30 3 182 484 164
2025-02-02 15:05 1 216 600 164

Estou procurando um método, mas parece que não estou conseguindo. Posso obter ajuda para conseguir?

Obrigado,

python

2 respostas

  1. Basta filtrar por Tagcoluna e cumsum():

    df["RBQ"]=df[df["Tag"]!=2]["Qty"].cumsum()
df["RSQ"]=df[df["Tag"]==2]["Qty"].cumsum()
df1=df.ffill().fillna(0)
df1.to_markdown()
    Data e hora Marcação Qtd. RBQ Resposta
    0 2025-01-01 13:00 1 270 270 0
    1 2025-01-03 13:22 1 32 302 0
    2 2025-01-10 12:33 2 44 302 44
    3 2025-01-22 10:04 2 120 302 164
    4 2025-01-29 09:30 3 182 484 164
    5 2025-02-02 15:05 1 216 700 164
    • 2
  2. Best Answer

    Você pode usar uma condição e a máscara de métodos e onde criar ambas as colunas

    cond = df['Tag'].eq(2)
df['RBQ'] = df['Qty'].mask(cond, 0).cumsum()
df['RSQ'] = df['Qty'].where(cond, 0).cumsum()

    Outra solução é usar a mesma condição e dinamizar o dataframe com base nisso.

    df2 = (df.join(df.assign(cols=df['Tag'].eq(2).map({True: 'RSQ', False: 'RBQ'}))
               .pivot(columns='cols', values='Qty')
               .fillna(0).cumsum())
      )

    Resultado final:

            DateTime  Tag  Qty   RBQ   RSQ
2025-01-01 13:00    1  270 270.0   0.0
2025-01-03 13:22    1   32 302.0   0.0
2025-01-10 12:33    2   44 302.0  44.0
2025-01-22 10:04    2  120 302.0 164.0
2025-01-29 09:30    3  182 484.0 164.0
2025-02-02 15:05    1  216 700.0 164.0

    Editar: Aqui está uma versão ligeiramente modificada que leva em consideração a coluna DateTime. Modifiquei o primeiro valor na coluna datetime como exemplo.

    cond = df['Tag'].eq(2)
tmp = df.sort_values(by='DateTime')

df['RBQ'] = tmp['Qty'].mask(cond, 0).cumsum()
df['RSQ'] = tmp['Qty'].where(cond, 0).cumsum()

    Para a segunda solução, você terá que usar merge em vez de join.

    df2 = pd.merge(df, (df.assign(cols=df['Tag'].eq(2).map({True: 'RSQ', False: 'RBQ'}))
                   .pivot(index='DateTime', columns='cols', values='Qty')
                   .fillna(0).cumsum()), on='DateTime')

    Resultado final:

               DateTime  Tag  Qty   RBQ   RSQ
2025-02-04 13:00:00    1  270 700.0 164.0
2025-01-03 13:22:00    1   32  32.0   0.0
2025-01-10 12:33:00    2   44  32.0  44.0
2025-01-22 10:04:00    2  120  32.0 164.0
2025-01-29 09:30:00    3  182 214.0 164.0
2025-02-02 15:05:00    1  216 430.0 164.0
    • 2

relate perguntas