一旦列从假变为真，计算差异

Question

我有一个 Pandas 数据框，其组织方式如下：

+-------+-------------------+---------+
| Name  |       Ready       | Apples  |
+-------+-------------------+---------+
| Alice | false             |    1    |
| Bob   | false             |    3    |
| Chris | true              |    10   |
| Alice | true              |    5    |
| Bob   | true              |    7    |
| Dave  | false             |    NaN  |
+-------+-------------------+---------+

我想计算它们在准备好计数后所拥有的苹果的差异 - 所以这将是当错误变为正确的时候。如果他们已经准备好了，我只想要他们拥有的苹果数量。如果他们从来没有准备好，那么就只是 NaN。问题是，在它变为 True 之前，每个人可能有多个 False 行。例如，我们可能会看到 Alice 在她最终准备好之前 3 次没有准备好。

有没有办法对名称进行分组，然后找出 false --> true 来计算苹果的差异？我希望我的输出表看起来像：

+-------+--------------------+
| Name  |    Collected Apples|
+-------+--------------------+
| Alice | 4 (cuz 5-1 = 4)    |
| Bob   | 4                  |
| Chris | 10                 |
| Dave  | NaN                |
+-------+--------------------+

有什么想法吗？谢谢！

Answer 1

假设每个名称最多有一个True 行和一个False 行。我们可以pivot 然后从False 中减去True：

# Pivot to Wide Form
result_df = df.pivot(index='Name', columns='Ready', values='Apples')
# Calculate Results
result_df = (
        result_df[True] - result_df[False].fillna(0)  # Subtract True from False
).reset_index(name='Collected Apples')

result_df:

    Name  Collected Apples
0  Alice               4.0
1    Bob               4.0
2  Chris              10.0
3   Dave               NaN

---

DataFrame 和导入：

import numpy as np
import pandas as pd

df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Chris', 'Alice', 'Bob', 'Dave'],
    'Ready': [False, False, True, True, True, False],
    'Apples': [1.0, 3.0, 10.0, 5.0, 7.0, np.nan]
})

Answer 2

使用np.where 的另一种单行方法。更改False值的符号：

>>> df.assign(Apples=np.where(df['Ready'] == False, -df['Apples'], df['Apples'])) \
      .groupby('Name')['Apples'].sum() \
      .reset_index(name='Collected Apples')

    Name  Collected Apples
0  Alice               4.0
1    Bob               4.0
2  Chris              10.0
3   Dave               0.0

np.where的详细信息：

>>> df.assign(Apples=np.where(df['Ready'] == False, -df['Apples'], df['Apples']))

    Name  Ready  Apples
0  Alice  False    -1.0
1    Bob  False    -3.0
2  Chris   True    10.0
3  Alice   True     5.0
4    Bob   True     7.0
5   Dave  False     NaN