如何根据id的groupby从先前的测量中创建一个标记（1 - 体重减轻；0 - 体重相同a）体重减轻（8％或更多）的列？答案

【问题标题】：How to create a column which flags (1 - weight loss;0 - same weight a) weight loss (8% or more) from previous measurement based on groupby of id?如何根据id的groupby从先前的测量中创建一个标记（1 - 体重减轻；0 - 体重相同a）体重减轻（8％或更多）的列？
【发布时间】：2021-09-14 11:02:53
【问题描述】：

我有一个数据框 df:

import pandas as pd
df = pd.DataFrame({"CLIENT_ID": [8222, 8222, 8222, 8222, 8300, 8300, 8300, 8300, 8300],
                   "ENCOUNTER_DATE": ['2020-01-01', '2020-03-02', '2020-04-18', '2020-07-31', '2017-06-10', '2017-09-11', '2018-02-01', '2018-04-01', '2018-05-31'],
                   "WEIGHT_KG": [56, 58, 50, 54, 71, 72, 74, 75, 65]})

按CLIENT_ID和ENCOUNTER_DATE排序

CLIENT_ID	ENCOUNTER_DATE	WEIGHT_KG
8222	2020-01-01	56
8222	2020-03-02	58
8222	2020-04-18	50
8222	2020-07-31	54
8300	2017-06-10	71
8300	2017-09-11	72
8300	2018-02-01	74
8300	2018-04-01	75
8300	2018-05-31	65

我想创建一个WEIGHT_LOSS 标志列，如果当前WEIGHT_KG 比之前的测量值至少低10%，则为1，否则为0，对于每个CLIENT_ID，结果如下表：

CLIENT_ID	ENCOUNTER_DATE	WEIGHT_KG	WEIGHT_LOSS
8222	2020-01-01	56	0
8222	2020-03-02	58	0
8222	2020-04-18	50	1
8222	2020-07-31	54	0
8300	2017-06-10	71	0
8300	2017-09-11	72	0
8300	2018-02-01	74	0
8300	2018-04-01	75	0
8300	2018-05-31	65	1

df.assign、np.where 或列表理解可能很容易回答。

【问题讨论】：

标签： python pandas dataframe apply where-clause

【解决方案1】：

您可以groupby 客户端并在“WEIGHT_KG”列上使用pct_change：

df['WEIGHT_LOSS'] = (df.groupby('CLIENT_ID')
                       ['WEIGHT_KG']
                       .pct_change() # calculate percent change
                       .lt(-0.1)     # loss if lower than -0.1 (-10%)
                       .astype(int)  # convert True/False to 1/0
                     )

输出：

   CLIENT_ID ENCOUNTER_DATE  WEIGHT_KG  WEIGHT_LOSS
0       8222     2020-01-01         56            0
1       8222     2020-03-02         58            0
2       8222     2020-04-18         50            1
3       8222     2020-07-31         54            0
4       8300     2017-06-10         71            0
5       8300     2017-09-11         72            0
6       8300     2018-02-01         74            0
7       8300     2018-04-01         75            0
8       8300     2018-05-31         65            1

【讨论】：