Pandas DataFrame добавляет новые значения столбца на основе группы по нескольким условиям - PullRequest
Новая
       2

Pandas DataFrame добавляет новые значения столбца на основе группы по нескольким условиям

1 голос
/ 16 января 2020

У меня есть DataFrame, как показано ниже 

       Color  Month  Quantity
index                        
0          1      1     34047
1          1      2     36654
2          2      3     37291
3          2      4     35270
4          3      5     35407
5          1     12      9300

Я хочу добавить дополнительный столбец PrevoiousMonthQty к этому Dataframe с заполненными значениями в столбце Qty по логике c, которую мы сгруппируется по (Color, Month), а Month - это Previous Month

Целевой фрейм данных, который я ожидал, выглядит следующим образом

enter image description here

Некоторые логики c объяснение можно увидеть как

enter image description here

Любая помощь будет очень цениться.

Большое спасибо .

Ответы [ 3 ]

2 голосов
/ 16 января 2020

Вот способ использования Multindex и map после нахождения предыдущего месяца: 

prev_month = pd.to_datetime(df['Month'],format='%m').sub(pd.Timedelta(1,unit='m')).dt.month

m = df.set_index(['Color','Month'])['Quantity']

final = (df.assign(Prev_Month_Value=pd.MultiIndex.from_arrays([df['Color'],prev_month])
                                                          .map(m).fillna(0)))

#To assign into the existing df,use below code instead of df.assign() which returns a copy
#df['Previous Month Value'] = (pd.MultiIndex.from_arrays([df['Color'],prev_month])
#                                                              .map(m).fillna(0)

Вывод: 

       Color  Month  Quantity  Prev_Month_Value
index                                          
0          1      1     34047            9300.0
1          1      2     36654           34047.0
2          2      3     37291               0.0
3          2      4     35270           37291.0
4          3      5     35407               0.0
5          1     12      9300               0.0

Сведения:

Шаг 1 : найти предыдущий месяц, преобразовав столбец Month в дату и время и вычесть 1 месяц, используя pd.Timedelta .

Step2 : создание многоиндексной серии с количеством в качестве значения и Color и Month в качестве индекса.

Step3 : создание MultiIndex, используя серии Color и prev_month, и отобразить его как новый столбец (также заполните nan 0)

1 голос
/ 16 января 2020

Вот еще один подход, использующий merge - мы «слим» ключ prv_month, который мы * assign inline: 

df['PreviousQty'] = (df.assign(prv_month=df['Month'].sub(1).where(lambda x: x!=0, 12))
                     .merge(df,
                            how='left',
                            left_on=['Color', 'prv_month'],
                            right_on=['Color', 'Month'])['Qty_y'].fillna(0))

[out] 

   Color  Month    Qty  PreviousQty
0      1      1  34047       9300.0
1      1      2  36654      34047.0
2      2      3  37291          0.0
3      2      4  35270      37291.0
4      3      5  35407          0.0
5      1     12   9300          0.0
1 голос
/ 16 января 2020

Используйте DataFrame.pivot для изменения формы DataFrame и добавьте полные месяцы на DataFrame.reindex: 

df1 = df.pivot('Color','Month','Oty').reindex(columns=range(1,13))
print (df1)
Month        1        2        3        4        5   6   7   8   9  10  11  \
Color                                                                        
1      34047.0  36654.0      NaN      NaN      NaN NaN NaN NaN NaN NaN NaN   
2          NaN      NaN  37291.0  35270.0      NaN NaN NaN NaN NaN NaN NaN   
3          NaN      NaN      NaN      NaN  35407.0 NaN NaN NaN NaN NaN NaN   

Month      12  
Color          
1      9300.0  
2         NaN  
3         NaN

Затем используйте numpy.roll с DataFrame.join: 

s = pd.DataFrame(np.roll(df1.to_numpy(), 1, axis=1), 
                 index=df1.index, 
                 columns=df1.columns).stack().rename('Previous Month')

df = df.join(s, on=['Color','Month']).fillna({'Previous Month':0})
print (df)
   Index  Color  Month    Oty  Previous Month
0      0      1      1  34047          9300.0
1      1      1      2  36654         34047.0
2      2      2      3  37291             0.0
3      3      2      4  35270         37291.0
4      4      3      5  35407             0.0
5      5      1     12   9300             0.0
...