Pandas：在单元格内的列表中查找第一个 True 值

Question

tl;dr- 我有一个数据框，其中一列是布尔值列表。我需要创建另一列来显示找到第一个 True 值的列表的索引。

详细解释：

我有一个带有经济数据时间表的 Pandas 数据框（每列是四分之一）。

我正在尝试得出一些特定的指标，而我坚持的指标是“恢复”。我正在尝试确定在时间线超过之前的峰值之前经过了多少个季度。

以下是我迄今为止所做的所有工作的一些示例数据。对不起它的大小。

此特定问题的重要列：

最低点：时间线的最低点 nadir_qtr：最低点发生的季度

pre_peak：最高点之前最低点 pre_peak_qtr：前峰值发生的季度

为了找到恢复季度，我制作了一个包含布尔值列表的列 - 该数字是否大于峰值前：

df2['recovery_list'] = df2.apply(lambda x: (x['new'][x['nadir_qtr']:] > x['pre_peak']), axis=1)

我可以使用以下代码在您获得 True 值之前获得季度数：

next((i for i, j in enumerate(list(df2['recovery_list'][0])) if j), None)
Output: 7

但是当我使用代码生成新列时：

 df2['recovery_qtr'] = next((i for i, j in enumerate(list(df2['recovery_list'])) if j), None)

我收到以下错误：

ValueError：具有多个元素的数组的真值不明确。使用 a.any() 或 a.all()

知道我在这里做错了什么吗？

我对解决这个问题的替代方法持开放态度，但这已经接近了。

qtrid	index	area_fips	area_title	2000.25	2000.5	2000.75	2001.0	2001.25	2001.5	2001.75	2002.0	2002.25	2002.5	2002.75	2003.0	2003.25	2003.5	2003.75	2004.0	2004.25	2004.5	2004.75	2005.0	2005.25	2005.5	2005.75	2006.0	2006.25	2006.5	2006.75	2007.0	2007.25	2007.5	2007.75	2008.0	nadir	nadir_qtr	pre_peak	pre_peak_qtr	recovery_list	post_peak	post_peak_qtr	new	recovery	decline	delta
0	1374	27075	Lake County, Minnesota	7518.0	8346.0	8642.0	7714.0	8154.0	9012.0	8818.0	8174.0	7642.0	8288.0	8840.0	8022.0	7854.0	8876.0	8642.0	7926.0	7838.0	9020.0	8644.0	8130.0	8060.0	8968.0	8694.0	8314.0	8182.0	9344.0	8810.0	8202.0	8214.0	9352.0	8898.0	8346.0	7642.0	10	9012.0	5	[False, False, False, False, False, False, Fal...	9352.0	29	[7518.0, 8346.0, 8642.0, 7714.0, 8154.0, 9012....	1	5	340.0
1	3073	54063	Monroe County, West Virginia	3812.0	4126.0	4072.0	4040.0	3894.0	4062.0	4086.0	4060.0	3950.0	4122.0	4014.0	3906.0	3772.0	3912.0	4032.0	3996.0	4112.0	4224.0	4242.0	4232.0	3962.0	4138.0	4090.0	4086.0	3978.0	4096.0	4070.0	4196.0	4138.0	4134.0	4210.0	4158.0	3772.0	14	4126.0	1	[False, False, False, True, True, True, False,...	4242.0	18	[3812.0, 4126.0, 4072.0, 4040.0, 3894.0, 4062....	1	13	116.0
2	1919	36119	Westchester County, New York	794524.0	820670.0	813970.0	837170.0	807890.0	829618.0	805440.0	823416.0	799696.0	822272.0	807492.0	829566.0	800922.0	822528.0	805160.0	826352.0	808770.0	832592.0	819536.0	842588.0	813082.0	838078.0	823780.0	841502.0	815112.0	842546.0	827984.0	851376.0	830014.0	862302.0	840974.0	865742.0	799696.0	10	837170.0	3	[False, False, False, False, False, False, Fal...	865742.0	31	[794524.0, 820670.0, 813970.0, 837170.0, 80789...	1	7	28572.0
3	3103	55011	Buffalo County, Wisconsin	8747.0	9320.0	9322.0	9298.0	9824.0	9445.0	9488.0	9910.0	9768.0	9142.0	10028.0	9060.0	9944.0	9583.0	10390.0	9256.0	9702.0	9462.0	9957.0	10740.0	10502.0	11230.0	11106.0	11158.0	11662.0	12302.0	12298.0	11267.0	10292.0	10938.0	10726.0	10450.0	9060.0	13	10028.0	10	[False, True, False, False, False, False, True...	12302.0	25	[8747.0, 9320.0, 9322.0, 9298.0, 9824.0, 9445....	1	3	2274.0
4	3683	C2706	Ithaca, NY MSA	92042.0	95082.0	93852.0	94730.0	92978.0	96624.0	94556.0	95156.0	92922.0	95148.0	95666.0	96214.0	95192.0	97904.0	97330.0	97772.0	96510.0	98820.0	98532.0	99160.0	100396.0	100062.0	99060.0	99840.0	97912.0	100914.0	99772.0	101050.0	98418.0	101806.0	101344.0	102708.0	92922.0	10	96624.0	5	[False, False, False, True, True, True, False,...	102708.0	31	[92042.0, 95082.0, 93852.0, 94730.0, 92978.0, ...	1	5	6084.0
5	2365	45019	Charleston County, South Carolina	362554.0	378358.0	362860.0	369826.0	362656.0	364742.0	360836.0	359780.0	358752.0	370100.0	368878.0	369464.0	369964.0	377104.0	376108.0	378814.0	379144.0	389946.0	389044.0	391862.0	388852.0	402586.0	398644.0	398042.0	396874.0	406484.0	410372.0	416576.0	417812.0	427552.0	424776.0	424316.0	358752.0	10	378358.0	1	[False, False, False, False, False, True, True...	427552.0	29	[362554.0, 378358.0, 362860.0, 369826.0, 36265...	1	9	49194.0
6	3448	C1722	Clarksburg, WV MicroSA	35242.0	36634.0	36225.0	36026.0	35447.0	36476.0	35968.0	36227.0	35571.0	36785.0	36377.0	36863.0	35954.0	37505.0	37048.0	37325.0	36400.0	37701.0	37407.0	37503.0	36407.0	37653.0	37616.0	37383.0	36977.0	37625.0	37037.0	37227.0	36265.0	37617.0	37227.0	37570.0	35571.0	10	36785.0	9	[False, True, False, True, True, True, False, ...	37701.0	17	[35242.0, 36634.0, 36225.0, 36026.0, 35447.0, ...	1	1	916.0
7	3297	C1086	Alice, TX MicroSA	13001.0	13245.0	13460.0	13800.0	13642.0	14243.0	14145.0	14031.0	13873.0	14086.0	14208.0	14106.0	14522.0	14855.0	14959.0	15120.0	15105.0	15492.0	15554.0	15695.0	15517.0	15713.0	15970.0	15874.0	16127.0	16666.0	16778.0	16876.0	17380.0	18144.0	18178.0	17937.0	13873.0	10	14243.0	5	[False, False, True, True, True, True, True, T...	18178.0	30	[13001.0, 13245.0, 13460.0, 13800.0, 13642.0, ...	1	5	3935.0
8	742	18063	Hendricks County, Indiana	58656.0	60586.0	60618.0	60272.0	59964.0	63238.0	65434.0	65000.0	65534.0	66824.0	68710.0	68680.0	67982.0	70936.0	72554.0	74030.0	74836.0	77138.0	78370.0	78876.0	77654.0	79878.0	81936.0	82752.0	83174.0	86144.0	88166.0	88914.0	88606.0	91556.0	93514.0	93744.0	65000.0	9	65534.0	8	[True, True, True, True, True, True, True, Tru...	93744.0	31	[58656.0, 60586.0, 60618.0, 60272.0, 59964.0, ...	1	1	28210.0
9	3618	C2446	Great Bend, KS MicroSA	12532.0	13213.0	13015.0	13207.0	12852.0	13368.0	13077.0	13216.0	13144.0	13396.0	13348.0	12961.0	12487.0	12791.0	12690.0	12638.0	12520.0	12953.0	12679.0	12804.0	12600.0	13152.0	12685.0	12886.0	12946.0	13264.0	12943.0	13339.0	13160.0	13433.0	13111.0	13546.0	12487.0	14	13396.0	9	[False, False, False, False, False, False, Fal...	13546.0	31	[12532.0, 13213.0, 13015.0, 13207.0, 12852.0, ...	1	5	150.0

Answer 1

考虑下面df：

In [952]: df = pd.DataFrame({'A':[[True, False, True], [False, True, False], [False, False, False, True]]})

In [953]: df
Out[953]: 
                             A
0          [True, False, True]
1         [False, True, False]
2  [False, False, False, True]

您可以使用df.apply 和List.index 来做到这一点：

In [955]: df['True_index'] = df['A'].apply(lambda x: x.index(True))

In [956]: df
Out[956]: 
                             A  True_index
0          [True, False, True]           0
1         [False, True, False]           1
2  [False, False, False, True]           3