создать функцию для создания новых строк во фреймах данных на основе заданных параметров в виде списка и указать условия c в pandas

Question

У меня есть фрейм данных, как показано ниже. где данные всегда будут иметь одну сессию. Это означает, что количество уникальных значений в столбце «Сессия» всегда будет равно единице.

df:

  B_ID   No_Show   Session  slot_num  Cumulative_no_show
    1     0.4       S1        1       0.4   
    2     0.3       S1        2       0.7      
    3     0.8       S1        3       1.5        
    4     0.3       S1        4       1.8       
    5     0.6       S1        5       2.4         
    6     0.8       S1        6       3.2       
    7     0.9       S1        7       4.1        
    8     0.4       S1        8       4.5
    9     0.6       S1        9       5.1

Я пытался создать код ниже, чтобы создать выше df.

df = pd.DataFrame({'B_ID': [1, 2, 3, 4, 5, 6, 7, 8, 9], 
                   'No_Show': [0.4, 0.3, 0.8, 0.3, 0.6, 0.8, 0.9, 0.4, 0.6], 
                   'Session': ['s1', 's1', 's1', 's1', 's1', 's1', 's1', 's1', 's1'], 
                   'slot_num': [1, 2, 3, 4, 5, 6, 7, 8, 9], 
                   'Cumulative_no_show': [0.4, 0.7, 1.5, 1.8, 2.4, 3.2, 4.1, 4.5, 5.1]})

df['Cumulative_no_show'] = df.groupby(['Session'])['No_Show'].cumsum() 

также у меня есть список, который может быть любой длины, вот он 9.

walkin_no_show = [ 0.3, 0.2, 0.1, 0.4, 0.5, 0.4, 0.2, 0.7, 0.8]

И у меня есть другой список с длиной 4

threshold_p = [0.8, 0.9, 1.0, 1.1]

Из приведенного выше, когда когда-либо u_cumulative> threshold_p [j] создает новую строку чуть ниже этого с

 df[No_Show] = walkin_no_show[i]

и его Session и slot_num должны быть такими же, как и предыдущий, и создать новый столбец с именем u_cumulative путем вычитания (1 - walkin_no_show [i]) из предыдущего.

Я бы хотел создайте функцию с именем overbook_dfs

def overbook_dfs (df, walkin_no_show, threshold_p ):
     return df_0_8, df_0_9, df_1_0, df_1_1

, где ожидаемые выходные файлы dfs показаны ниже:

Ожидаемый результат:

df_0_8:

  B_ID   No_Show   Session  slot_num  Cumulative_no_show   u_cumulative
    1     0.4       S1        1       0.4                  0.4
    2     0.3       S1        2       0.7                  0.7   
    3     0.8       S1        3       1.5                  1.5
walkin1   0.3       S1        3       1.5                  0.8
    4     0.3       S1        4       1.8                  1.1
walkin2   0.2       S1        4       1.8                  0.3      
    5     0.6       S1        5       2.4                  0.9
walkin3   0.1       S1        5       2.4                  0.0         
    6     0.8       S1        6       3.2                  0.8       
    7     0.9       S1        7       4.1                  1.7
walkin4   0.4       S1        7       4.1                  1.1
walkin5   0.5       S1        7       4.1                  0.6
    8     0.4       S1        8       4.5                  1.0
walkin6   0.4       S1        8       4.5                  0.4
    9     0.6       S1        9       5.1                  1.0
walkin7   0.2       S1        8       5.1                  0.2

df_0_9:

  B_ID   No_Show   Session  slot_num  Cumulative_no_show   u_cumulative
    1     0.4       S1        1       0.4                  0.4
    2     0.3       S1        2       0.7                  0.7   
    3     0.8       S1        3       1.5                  1.5
walkin1   0.3       S1        3       1.5                  0.8
    4     0.3       S1        4       1.8                  1.1
walkin2   0.2       S1        4       1.8                  0.3      
    5     0.6       S1        5       2.4                  0.9        
    6     0.8       S1        6       3.2                  1.7
walkin3   0.1       S1        6       3.2                  0.8       
    7     0.9       S1        7       4.1                  1.7
walkin4   0.4       S1        7       4.1                  1.1
walkin5   0.5       S1        7       4.1                  0.6    
    8     0.4       S1        8       4.5                  1.0
walkin6   0.4       S1        8       4.5                  0.4    
    9     0.6       S1        9       5.1                  1.0
walkin7   0.2       S1        9       5.1                  0.2

df_1_0:

  B_ID   No_Show   Session  slot_num  Cumulative_no_show   u_cumulative
    1     0.4       S1        1       0.4                  0.4
    2     0.3       S1        2       0.7                  0.7   
    3     0.8       S1        3       1.5                  1.5
walkin1   0.3       S1        3       1.5                  0.8
    4     0.3       S1        4       1.8                  1.1
walkin2   0.2       S1        4       1.8                  0.3      
    5     0.6       S1        5       2.4                  0.9        
    6     0.8       S1        6       3.2                  1.7
walkin3   0.1       S1        6       3.2                  0.8       
    7     0.9       S1        7       4.1                  1.7
walkin4   0.4       S1        7       4.1                  1.1
walkin5   0.5       S1        7       4.1                  0.6    
    8     0.4       S1        8       4.5                  1.1
walkin6   0.4       S1        8       4.5                  0.5
    9     0.6       S1        9       5.1                  1.1
walkin7   0.4       S1        9       4.5                  1.0

df_1_1:

  B_ID   No_Show   Session  slot_num  Cumulative_no_show   u_cumulative
    1     0.4       S1        1       0.4                  0.4
    2     0.3       S1        2       0.7                  0.7   
    3     0.8       S1        3       1.5                  1.5
walkin1   0.3       S1        3       1.5                  0.8
    4     0.3       S1        4       1.8                  1.1      
    5     0.6       S1        5       2.4                  1.6
walkin2   0.2       S1        5       2.4                  0.8        
    6     0.8       S1        6       3.2                  1.6
walkin3   0.1       S1        6       3.2                  0.7       
    7     0.9       S1        7       4.1                  1.6
walkin4   0.4       S1        7       4.1                  1.0
    8     0.4       S1        8       4.5                  1.4
walkin5   0.5       S1        8       4.5                  0.9
    9     0.6       S1        9       5.1                  1.5
walkin6   0.2       S1        9       5.1                  0.7

Я поднял аналогичный вопрос, на который ответил @ Ben.T. Большое спасибо @ Ben.T. Ссылка на этот вопрос показана ниже. введите здесь описание ссылки

Я пробовал приведенный ниже код, но он дает мне желаемый результат.

# function to create the u_cumulative
def create_u_columns (ser, threshold_ns = 0.8):
    # create a copy
    arr_ns = ser.to_numpy().copy()
    # array for latter insert
    arr_idx = np.zeros(len(ser), dtype=int)
    walkin_id = 0 #start at 0 not 1 for list indexing
    for i in range(len(arr_ns)-1):
        if arr_ns[i]>threshold_ns:
            # remove 1 - walkin
            arr_ns[i+1:] -= (1-walkin_no_show[walkin_id])
            # increment later idx to add
            arr_idx[i] = walkin_id+1
            walkin_id +=1
    # for the last row
    if arr_ns[-1]>threshold_ns:
        arr_idx[-1] = walkin_id+1
    #return a dataframe with both columns
    return pd.DataFrame({'u_cumulative': arr_ns, 'mask_idx':arr_idx}, index=ser.index)

Теперь определите другую функцию overbook_dfs

def overbook_dfs (df0, walkin_no_show, threshold_p ):
        l_res = [] #for result
        for th_p in threshold_p: #loop on threshold
            # create a copy of original dataframe
            df = df0.copy() 
            df[['u_cumulative','mask_idx']] = create_u_columns(df['Cumulative_no_show'],
                                                               threshold_ns=th_p)
            # select the rows
            df_toAdd = df.loc[df['mask_idx'].astype(bool), :].copy()
            # replace the values as wanted
            df_toAdd['No_Show'] = walkin_no_show[:len(df_toAdd)]
            df_toAdd['B_ID'] = 'walkin'+df_toAdd['mask_idx'].astype(str)
            df_toAdd['u_cumulative'] -= (1 - df_toAdd['No_Show'])
            # add 0.5 to index for later sort
            df_toAdd.index += 0.5 
            #append the result to a list
            l_res.append(pd.concat([df,df_toAdd])
                           .sort_index()
                           .reset_index(drop=True)
                           .drop('mask_idx', axis=1)
                        )
        return l_res

Наконец, используйте его с параметрами

# parameters
walkin_no_show = [ 0.3, 0.2, 0.1, 0.4, 0.5, 0.4, 0.2, 0.7, 0.8]
threshold_p = [0.8, 0.9, 1.0, 1.1]

# call your function
df_0_8, df_0_9, df_1_0, df_1_1 = overbook_dfs(df, walkin_no_show, threshold_p)  

Answer 1

Вот решение, адаптированное для этого случая. Есть небольшие изменения:

• в create_u_columns, arr_idx заменяется списком списка l_idx, который будет содержать все номера обхода, если их несколько в строке, условие if в l oop for заменяется на while
• в overlook_dfs, вместо использования df ['mask_idx']. astype (bool), чтобы выбрать строки для добавления, вам нужно explode списки в столбце mask_idx сейчас (результат изменения create_u_columns) и dropna удаляют строки без строки для добавления после.

В остальном это очень похоже

def create_u_columns (ser, threshold_ns = 0.8):
    # create a copy
    arr_ns = ser.to_numpy().copy()
    # use a list of list instead of array
    l_idx = [[] for i in range(len(ser))]
    walkin_id = 0
    for i in range(len(arr_ns)-1):
        ## need the value as another varaible for the while method
        val = arr_ns[i]
        while val>threshold_ns: ## while instead of if
            # remove 1 - walkin
            arr_ns[i+1:] -= (1-walkin_no_show[walkin_id])
            val -= (1-walkin_no_show[walkin_id]) # to stop the while
            # increment later idx to add
            walkin_id +=1
            l_idx[i].append(walkin_id)
    # for the last row
    if arr_ns[-1]>threshold_ns:
        l_idx[-1].append(walkin_id+1)
    #return a dataframe with both columns
    return pd.DataFrame({'u_cumulative': arr_ns, 'mask_idx':l_idx}, 
                        index=ser.index)

и

def overbook_dfs (df0, walkin_no_show, threshold_p ):
    l_res = [] #for result
    for th_p in threshold_p: #loop on threshold
        # create a copy of original dataframe
        df = df0.copy() 
        df[['u_cumulative','mask_idx']] = create_u_columns(df['Cumulative_no_show'], 
                                                           threshold_ns=th_p)
        # select the rows by explode the column mask_idx and dropna
        df_toAdd = df.explode('mask_idx').dropna().copy() ###this is different
        # replace the values as wanted
        df_toAdd['No_Show'] = walkin_no_show[:len(df_toAdd)]
        df_toAdd['B_ID'] = 'walkin'+df_toAdd['mask_idx'].astype(str)
        df_toAdd['u_cumulative'] -= (1 - df_toAdd['No_Show'])
        # add 0.5 to index for later sort
        df_toAdd.index += 0.5 
        #append the result to a list
        l_res.append(pd.concat([df,df_toAdd])
                       .sort_index()
                       .reset_index(drop=True)
                       .drop('mask_idx', axis=1)
                    )
    return l_res

# parameter
walkin_no_show = [ 0.3, 0.2, 0.1, 0.4, 0.5, 0.4, 0.2, 0.7, 0.8]
threshold_p = [0.8, 0.9, 1.0, 1.1]

# call your function
df_0_8, df_0_9, df_1_0, df_1_1 = overbook_dfs(df, walkin_no_show, threshold_p)

и вы получите например

print (df_0_9)
       B_ID  No_Show Session  slot_num  Cumulative_no_show  u_cumulative
0         1      0.4      s1         1                 0.4           0.4
1         2      0.3      s1         2                 0.7           0.7
2         3      0.8      s1         3                 1.5           1.5
3   walkin1      0.3      s1         3                 1.5           0.8
4         4      0.3      s1         4                 1.8           1.1
5   walkin2      0.2      s1         4                 1.8           0.3
6         5      0.6      s1         5                 2.4           0.9
7         6      0.8      s1         6                 3.2           1.7
8   walkin3      0.1      s1         6                 3.2           0.8
9         7      0.9      s1         7                 4.1           1.7
10  walkin4      0.4      s1         7                 4.1           1.1
11  walkin5      0.5      s1         7                 4.1           1.2
12        8      0.4      s1         8                 4.5           1.0
13  walkin6      0.4      s1         8                 4.5           0.4
14        9      0.6      s1         9                 5.1           1.0
15  walkin7      0.2      s1         9                 5.1           0.2