Question

详情见post。

我的数据框架是:

import pandas as pd

df = pd.DataFrame(
    {
         a : [100, 1123, 123, 100, 1, 0, 1],
         b : [1000, 11123, 1123, 0, 55, 0, 1],
         c : [100, 1123, 123, 999, 11, 50, 1],
         d : [100, 1123, 123, 190, 1, 105, 1],
         e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ],
    }
)

这是我想要的产出。一栏:

      a      b     c     d  e   x
0   100   1000   100   100  a   NaN
1  1123  11123  1123  1123  b   NaN
2   123   1123   123   123  c   NaN
3   100      0   999   190  d   NaN
4     1     55    11     1  e   NaN
5     0      0    50   105  f   f
6     1      1     1     1  g   NaN

我的面罩是:

mask = (df.a > df.b)

这些是需要采取的步骤:

a) 选择符合面罩条件的第一行。

b) 以上步骤的<代码>a。

c) 第1行,上述数值为<代码>c和d。相当于其中之一的是科索沃。

d) 检索<代码>e,并设立栏目。

例如,上述数据框架:

a) 面罩第一行是<代码>3。

b) <代码>a的价值为100。

c) 从面罩后面的浏览量(4、5、......)中,100分在<条码>、<条/代码>和<条码>之间的第一行为第5行。因此,f栏选入<代码>x。

d) 因此,f 选入<代码>x。

这一形象说明上述步骤:

这是我尝试的:

mask = (df.a > df.b)
val = df.loc[mask.cumsum().eq(1) & mask,  a ]

I prefer the solution to be generic like this answer.

如果你需要用其他微妙的不同条件测试该守则,我提供了一些额外的数据。例如,如果没有符合面罩条件的一行。在此情况下,<代码>x均为<代码>NaN。栏目名称与以上编码相同。

df = pd.DataFrame({ a : [100, 1123, 123, -1, 1, 0, 1],  b : [1000, 11123, 1123, 0, 55, 0, 1], c : [100, 1123, 123, 999, 11, 50, 1],  d : [100, 1123, 123, 190, 1, 105, 1],  e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]})
df = pd.DataFrame({ a : [100, 1123, 123, 100, 1, 0, 1],  b : [1000, 11123, 1123, 0, 55, 0, 1],  c : [100, 1123, 123, 999, 11, -1, 1],  d : [100, 1123, 123, 190, 1, 10, 1],  e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]})
df = pd.DataFrame({ a : [100, 1123, 123, 1, 1, 0, 100],  b : [1000, 11123, 1123, 0, 55, 0, 1],  c : [100, 1123, 123, 999, 11, -1, 50],  d : [100, 1123, 123, 190, 1, 10, 101],  e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]})
df = pd.DataFrame({ a : [100, 1123, 123, 100, 1, 1000, 1], b : [1000, 11123, 1123, 0, 55, 0, 1], c : [100, 1123, 123, 999, 11, 50, 500],  d : [100, 1123, 123, 190, 1, 105, 2000],  e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]})

Answer 1

我将为每一个步骤制定法典,最后,我将设法创建更多的<代码>generic。

首先,我将设立栏目<代码>x,附标值NaN。

df[ x ] = np.NaN

Next I would use your mask with iloc[0] to get first matching row. And it I could get its name as index (because it is Series) and value [ a ] for next step

mask = (df.a > df.b)

first = df.loc[mask].iloc[0]
index = first.name
val   = first[ a ]

接下来,我会利用这来制造面罩,以寻找下行。

mask = (df.index > index) & (val >= df[ c ]) & (val <= df[ d ])

row = df[mask].iloc[0]

print( row  : )
print(row)

我将使用本行的索引将<条码>e列入<条码>x的原始<条码>df。

df.loc[row.name,  x ] = row[ e ]

我没有检测到其他案件。

我不知道如何将其缩略到“密码”中。

正式工作法典:

import pandas as pd
import numpy as np

df = pd.DataFrame(
    {
         a : [100, 1123, 123, 100, 1, 0, 1],
         b : [1000, 11123, 1123, 0, 55, 0, 1],
         c : [100, 1123, 123, 999, 11, 50, 1],
         d : [100, 1123, 123, 190, 1, 105, 1],
         e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ],
    }
)

df[ x ] = np.NaN

print(df)

mask = (df.a > df.b)

first = df.loc[mask].iloc[0]
index = first.name
val   = first[ a ]  
print( index: , index)
print( val  : , val)

mask = (df.index > index) & (val >= df[ c ]) & (val <= df[ d ])

row = df[mask].iloc[0]
print( row  : )
print(row)

df.loc[row.name,  x ] = row[ e ]
print(df)

http://www.un.org。

检查所有案件的法典。

其中一些带有空洞的面罩,因此我必须添加<>如果><>>>>>>,以核对(或try/<>,<<>>>>以发现错误。


import pandas as pd
import numpy as np

all_dfs = [
    pd.DataFrame({ a : [100, 1123, 123, 100, 1, 0, 1],
                   b : [1000, 11123, 1123, 0, 55, 0, 1],
                   c : [100, 1123, 123, 999, 11, 50, 1],
                   d : [100, 1123, 123, 190, 1, 105, 1],
                   e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]}),
    pd.DataFrame({ a : [100, 1123, 123, -1, 1, 0, 1], 
                   b : [1000, 11123, 1123, 0, 55, 0, 1], 
                   c : [100, 1123, 123, 999, 11, 50, 1], 
                   d : [100, 1123, 123, 190, 1, 105, 1], 
                   e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]}),
    pd.DataFrame({ a : [100, 1123, 123, 100, 1, 0, 1], 
                   b : [1000, 11123, 1123, 0, 55, 0, 1], 
                   c : [100, 1123, 123, 999, 11, -1, 1], 
                   d : [100, 1123, 123, 190, 1, 10, 1], 
                   e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]}),
    pd.DataFrame({ a : [100, 1123, 123, 1, 1, 0, 100], 
                   b : [1000, 11123, 1123, 0, 55, 0, 1], 
                   c : [100, 1123, 123, 999, 11, -1, 50], 
                   d : [100, 1123, 123, 190, 1, 10, 101], 
                   e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]}),
    pd.DataFrame({ a : [100, 1123, 123, 100, 1, 1000, 1],
                   b : [1000, 11123, 1123, 0, 55, 0, 1],
                   c : [100, 1123, 123, 999, 11, 50, 500], 
                   d : [100, 1123, 123, 190, 1, 105, 2000], 
                   e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]})
]

for df in all_dfs:
    print( --------------- )
    
    try:
        print( --- before --- )

        df[ x ] = np.NaN

        print(df)

        print( --- )

        mask = (df.a > df.b)

        if not mask.any():
            print("Can t find any matching row !!!")
            continue

        first = df.loc[mask].iloc[0]
        index = first.name
        val   = first[ a ]  
        print( index: , index)
        print( val  : , val)

        print( --- )

        mask = (df.index > index) & (val >= df[ c ]) & (val <= df[ d ])
        
        if not mask.any():
            print("Can t find any matching row !!!")
            continue
            
        row = df[mask].iloc[0]
        print( row  : )
        print(row)

        print( --- after --- )

        df.loc[row.name,  x ] = row[ e ]
        print(df)
    except Exception as ex:
        print(ex)

Answer 2

<><><>>>>

import numpy as np

target = d).loc[(d).a > d).b).cummax().cumsum().eq(1),  a ]
d)[ x ] = target
d)[ x ] = d)[ x ].ffill()
cond = d)[ x ].between(d)[ c ], d)[ d ]) & d)[ x ].notna()
d)[ x ] = np.where(cond.cummax().cumsum().eq(1), d)[ e ], float( nan ))

d)

with with test test test test test test test test

d) = pd.DataFrame({ a : [100, 1123, 123, -1, 1, 0, 1],  b : [1000, 11123, 1123, 0, 55, 0, 1], c : [100, 1123, 123, 999, 11, 50, 1],  d : [100, 1123, 123, 190, 1, 105, 1],  e : [ a ,  b ,  c ,  d ,  e ,  f ,  g ]})

适用法典和回归:

友情链接