根据列值拆分行答案

【问题标题】：Split row based on column value根据列值拆分行
【发布时间】：2021-01-17 00:23:09
【问题描述】：

所以，我已经在这上面坐了很长时间（并且拉扯我的头发），并且非常感谢这里的一些帮助。我在这样的数据框中有一些聚合数据，

CLASS_ID,ACH_MONTH(MM format),ACH_YEAR(YYYY format),FEES,PAY_TYPE
862424,06,2020,1000,Month
862425,04,2020,10000,Quarter
862426,02,2020,60000,Bi-Annual

(a). 我想要做的是将一条记录分成 3 条，只要 PAY_TYPE 是 Quarter，基于以下逻辑，

(i)。将费用除以季度中的月数，即 3。

(ii)。将结果作为新值 FEES 应用于所有 3 条拆分记录，ACH_MONTH 是每条记录所在季度的单独月份。

例如，

考虑第二条记录，

这里，ACH_MONTH 是 04，表示 2 季度出现的四月。

现在将 FEES 的值除以 3，即 10000/3 = 3333.33。

现在将记录拆分为 3，每个值 ACH_MONTH 表示 Quarter2 的每个相应月份，如下所示，

862425,04,2020,3333.33,Quarter
862425,05,2020,3333.33,Quarter
862425,06,2020,3333.33,Quarter

(b). 同样，每当PAY_TYPE 是Bi-Annual 时，我必须将记录分成 6 个，每条记录的值都是 FEES，分别为 60000/6 = 10000 和 ACH_MONTH那个双年度的几个月。

例如，

考虑第三条记录，

这里，ACH_MONTH 是 02 表示 2 月，即今年上半年。

现在将FEES 的值除以 6，即 60000/6 = 10000。

现在将记录拆分为 6，每个值 ACH_MONTH 表示今年上半年的每个相应月份，如下所示，

862426,01,2020,10000,Bi-Annual
862426,02,2020,10000,Bi-Annual
862426,03,2020,10000,Bi-Annual
862426,04,2020,10000,Bi-Annual
862426,05,2020,10000,Bi-Annual
862426,06,2020,10000,Bi-Annual

基于上述输入数据帧的最终预期输出，

CLASS_ID,ACH_MONTH,ACH_YEAR,FEES,PAY_TYPE
862424,06,2020,1000,Month
862425,04,2020,3333.33,Quarter
862425,05,2020,3333.33,Quarter
862425,06,2020,3333.33,Quarter
862426,01,2020,10000,Bi-Annual
862426,02,2020,10000,Bi-Annual
862426,03,2020,10000,Bi-Annual
862426,04,2020,10000,Bi-Annual
862426,05,2020,10000,Bi-Annual
862426,06,2020,10000,Bi-Annual

季度参考，

January(01), February(02), March(03) -- (Q1)
April(04), May(05), June(06) -- (Q2)
July(07), August(08), September(09) -- (Q3)
October(10), November(11), December(12) -- (Q4)

双年度参考，

January(01), February(02), March(03), April(04), May(05), June(06) -- (H1)
July(07), August(08), September(09), October(10), November(11), December(12) -- (H2)

我们将不胜感激任何和所有的帮助。提前致谢。

【问题讨论】：

标签： python pandas python-2.7

【解决方案1】：

希望我能正确理解约束

从未使用过DataFrame，但如果您可以从字典或其他方式初始化DataFrame对象，这种方式应该可以工作

# make mappings of both quarter and bi-annual
quarters = {
  "Q1": ["01", "02", "03"],
  "Q2": ["04", "05", "06"],
  "Q3": ["07", "08", "09"],
  "Q4": ["10", "11", "12"],
}

biannual = {
  "B1": ["01", "02", "03", "04", "05", "06"],
  "B2": ["07", "08", "09", "10", "11", "12"]
}

# find matching biannual or quarters based on the month mapped on its values
def find(ach_month, q_or_b):
  result = None
  for key in q_or_b:
    value = q_or_b[key]
    try:
      # check if the ach_month exists in current iteration, if not ValueError is raised
      value.index(ach_month)
      result = value
      break
    except ValueError:
      # if not found, proceed to next iteration
      pass
  # if the data is not normalized, it may returns None
  return result

# returns list of new dataframe object if it satisfies the constraint
def remap(obj):
  if obj.pay_type == "Quarter":
    quart = find(obj.ach_month, quarters)
    return [DataFrame({}) for q in quart]
  if obj.pay_type == "Bi-Annual":
    bian = find(obj.ach_month, biannual)
    return [DataFrame({}) for b in bian]
  return [obj]

{} 中填充了您想要的记录的新属性。

【讨论】：

【解决方案2】：

想法是通过嵌套的dict理解为每个季度和两年创建2个字典，按PAY_TYPE过滤行并使用Series.map，然后将列除以3或6，最后使用DataFrame.explode：

q = [["01", "02", "03"],["04", "05", "06"],["07", "08", "09"],["10", "11", "12"]]
dq = {y: tuple(x) for x in q for y in x}
# print (dq)

b = [["01", "02", "03", "04", "05", "06"],["07", "08", "09", "10", "11", "12"]]
db = {y: tuple(x) for x in b for y in x}
# print (db)

m1 = df['PAY_TYPE'].eq('Quarter')
df.loc[m1, 'ACH_MONTH'] = df.loc[m1, 'ACH_MONTH'].map(dq)
df.loc[m1, 'FEES'] /= 3

m2 = df['PAY_TYPE'].eq('Bi-Annual')
df.loc[m2, 'ACH_MONTH'] = df.loc[m2, 'ACH_MONTH'].map(db)
df.loc[m2, 'FEES'] /= 6

df = df.explode('ACH_MONTH').reset_index(drop=True)

print (df)
   CLASS_ID ACH_MONTH  ACH_YEAR          FEES   PAY_TYPE
0    862424        06      2020   1000.000000      Month
1    862425        04      2020   3333.333333    Quarter
2    862425        05      2020   3333.333333    Quarter
3    862425        06      2020   3333.333333    Quarter
4    862426        01      2020  10000.000000  Bi-Annual
5    862426        02      2020  10000.000000  Bi-Annual
6    862426        03      2020  10000.000000  Bi-Annual
7    862426        04      2020  10000.000000  Bi-Annual
8    862426        05      2020  10000.000000  Bi-Annual
9    862426        06      2020  10000.000000  Bi-Annual

【讨论】：