Как сравнить элементы в itertools.combinsk?

Question

Я хочу сравнить элементы в двух series.

0    1
1    3
2    4
3    2
4    4
Name: s1, dtype: int32
0    3
1    3
2    0
3    5
4    1
Name: s2, dtype: int64 

. Чтобы легко сравнить series, я использовал itertools.combinations:

x = combinations(s1, 2)
y = combinations(s2, 2)

ирезультат x :

(1, 3)
(1, 4)
(1, 2)
(1, 4)
(3, 4)
(3, 2)
(3, 4)
(4, 2)
(4, 4)
(2, 4)

y :

(3, 3)
(3, 0)
(3, 5)
(3, 1)
(3, 0)
(3, 5)
(3, 1)
(0, 5)
(0, 1)
(5, 1)

Метод сравнения частично аналогичен тау-расстоянию Кендалла.Пары в x (x1, x2), а пары в y (y1, y2).Если x1 > x2 и y1 > y2 или x1 < x2 и y1 < y2, то score = score+1;в противном случае score = score.Но я до сих пор не могу найти способ сравнить элементы внутри пар.

---

Я получаю m1, m2 и m1|m2:

м1:

0    False
1    False
2    False
3    False
4    False
5    False
6    False
7    False
8    False
9    False
dtype: bool

м2:

0    False
1    False
2     True
3    False
4    False
5    False
6    False
7    False
8    False
9    False
dtype: bool

м1 | м2:

0    False
1    False
2     True
3    False
4    False
5    False
6    False
7    False
8    False
9    False
dtype: bool

Я получил тот же результат, что и ваш.Я понятия не имею, почему он складывается так много раз.

---

И m1, и m2 содержат все ложные значения по умолчанию.И это, безусловно, так, и в настоящее время результат идеально подходит.Но я хочу, чтобы score добавлял 1 каждый раз (m1 | m2) == true.

score
0
0
1
0
0
0
0
0
0
0

Идеальный результат для оценки, как указано выше.

Answer 1

Вы можете создать DataFrame из вывода и затем изменить данные по условиям:

#changed data for better sample
s1 = pd.Series([1,3,4,2,4])
s2 = pd.Series([3,4,0,5,8])

x = combinations(s1, 2)
y = combinations(s2, 2)

dfx = pd.DataFrame(list(x)).rename(columns=lambda x: x+1).add_prefix('x')
dfy = pd.DataFrame(list(y)).rename(columns=lambda x: x+1).add_prefix('y')
df = pd.concat([dfx, dfy], axis=1)

m1 = (df.x1 > df.x2) & (df.y1 > df.y2)
m2 = (df.x1 < df.x2) & (df.y1 < df.y2)
m = m1 | m2

print (m)
0     True
1    False
2     True
3     True
4    False
5    False
6     True
7    False
8    False
9     True
dtype: bool

---

df['score'] = np.where(m, m.cumsum(), 0)
print (df)
   x1  x2  y1  y2  score
0   1   3   3   4      1
1   1   4   3   0      0
2   1   2   3   5      2
3   1   4   3   8      3
4   3   4   4   0      0
5   3   2   4   5      0
6   3   4   4   8      4
7   4   2   0   5      0
8   4   4   0   8      0
9   2   4   5   8      5