在 Pandas 中标记组内的第一个独特类别

Question

问题

数据集

df = pd.DataFrame([['a','x'],['a','x'],['a','y'],['a','y'],['b','y'],['b','z'],['c','z']], columns = ['cat1', 'cat2'])

  cat1 cat2
0    a    x
1    a    x
2    a    y
3    a    y
4    b    y
5    b    z
6    c    z

我在网上尝试了很多东西，但似乎没有任何效果，有人可以帮忙吗！！

**输出要求：**

  cat1  cat2  flag
0    a    x    1
1    a    x    0
2    a    y    1
3    a    y    0
4    b    y    0
5    b    z    1
6    c    z    0

Answer 1

使用duplicated，反转布尔值（~）并转换为整数：

df['flag'] = (~df['cat2'].duplicated()).astype(int)

或者numpy.where：

df['flag'] = np.where(df['cat2'].duplicated(), 0, 1)

输出：

  cat1 cat2  flag
0    a    x     1
1    a    x     0
2    a    y     1
3    a    y     0
4    b    y     0
5    b    z     1
6    c    z     0

Answer 2

将DataFrame.duplicated 与numpy.where 一起使用：

df['flag'] = np.where(df.duplicated(['cat2']), 0, 1)
print (df)
  cat1 cat2  flag
0    a    x     1
1    a    x     0
2    a    y     1
3    a    y     0
4    b    y     0
5    b    z     1
6    c    z     0

如果每组需要第一个值 cat1 输出是不同的：

df['flag'] = np.where(df.duplicated(['cat1','cat2']), 0, 1)
print (df)
  cat1 cat2  flag
0    a    x     1
1    a    x     0
2    a    y     1
3    a    y     0
4    b    y     1
5    b    z     1
6    c    z     1

编辑：使用您的数据：

#if necessary first sorted value per claim and Date
df['Date'] = pd.to_datetime(df['Date'])

df = df.sort_values(['claim','Date'])

df['flag'] = np.where(df.duplicated(['claim']), 0, 1)
print (df)
  claim       Date  flag
0     a 2001-05-01     1
1     a 2002-08-01     0
2     b 2005-09-08     1
3     b 2009-09-08     0
4     b 2020-10-01     0

如果每个组需要第一个最小日期时间，请使用：

print (df)
  claim        Date
0     a  05/01/2001
1     a  08/01/2002
2     b  09/08/2005
3     b  10/01/2020
4     b  09/04/2000
5     b  09/04/2000

df['Date'] = pd.to_datetime(df['Date'])

df['flag'] = np.where(df.index.isin(df.groupby('claim')['Date'].idxmin()), 1, 0)

或者：

df['Date'] = pd.to_datetime(df['Date'])

df['flag'] = np.where(df['Date'].isin(df.groupby('claim')['Date'].transform('min')) &
                      ~df.duplicated(['claim','Date']), 1, 0)
print (df)
  claim       Date  flag
0     a 2001-05-01     1
1     a 2002-08-01     0
2     b 2005-09-08     0
3     b 2020-10-01     0
4     b 2000-09-04     1
5     b 2000-09-04     0