用 NaN 替换熊猫系列中连续零的负值和“块”直到第一个正值

Question

我有一个 pandas 数据框，我想识别所有负值并将它们替换为 NaN。此外，所有跟在负值后面的零也应替换为 NaN，直到出现第一个正值。

我认为使用 for 循环遍历数据框中的所有负值应该可以实现我的目标。

例如，对于索引标签为 1737 的负值，我可以使用如下内容：

# list indexes that follow the negative value
indexes = df['counter_diff'].loc[1737:,]
# find first value greater than zero
first_index = next(x for x, val in enumerate(indexes) if val > 0)

然后用 NaN 填充从索引 1737 到 first_index 的值。

但是，我的数据框非常大，所以我想知道是否有可能提出一种利用 pandas 的计算效率更高的方法。

这是一个输入示例：

# input column
In[]
pd.Series({0 : 1, 2 : 3, 3 : -1, 4 : 0, 5 : 0, 7 : 1, 9 : 3, 10 : 0, 11 : -2, 14 : 1})

Out[]
0     1
2     3
3    -1
4     0
5     0
7     1
9     3
10    0
11   -2
14    1
dtype: int64

以及所需的输出：

# desired output
In[]
pd.Series({0 : 1, 2 : 3, 3 : np.nan, 4 : np.nan, 5:np.nan, 7:1, 9:3, 10:0, 11 : np.nan, 14:1})

Out[]
0     1.0
2     3.0
3     NaN
4     NaN
5     NaN
7     1.0
9     3.0
10    0.0
11    NaN
14    1.0
dtype: float64

任何帮助将不胜感激！

Answer 1

您可以mask 所有0s 并用ffill 向前填充它们，并检查系列中的哪些值小于0。然后使用生成的布尔系列来掩盖原始系列：

s = pd.Series({0 : 1, 2 : 3, 3 : -1, 4 : 0, 5 : 0, 7 : 1, 9 : 3, 10 : 0, 11 : -2, 14 : 1})

s.mask(s.mask(s.eq(0)).ffill().lt(0))

0     1.0
2     3.0
3     NaN
4     NaN
5     NaN
7     1.0
9     3.0
10    0.0
11    NaN
14    1.0
dtype: float64