如何在熊猫数据框中使用 lambda 函数进行转换

Question

我使用以下数据框

df = pd.DataFrame({'class': 'a a aa aa b b '.split(),
                    'item': [5,5,7,7,7,6],
                   'last_PO_code': ['103','103','103','104','103','104'],
                   'qty': [5,4,7,6,7,6]
                   })

我需要为每个项目中的每个类对这个数据框应用规则。

1. 如果所有 last_PO_code 都等于 103，则为真
2. 如果 last_PO_code 包含 103 和 104 以及 103 的总和 > 104 的总和，则为真
3. 如果 last_PO_code 等于 103 和 104 和 105 和 106 以及 104 的数量之和 == 103 和 105 == 106，则为 true

我编写了不能与 transform 一起使用的 lambda 函数

regle1 = lambda x: True if x['last_PO_code'].all() == "103" else False
regle2 = lambda x: x.loc[x['last_PO_code'].eq('103'), 'qty'].sum() \
                   > x.loc[x['last_PO_code'].eq('104'), 'qty'].sum()
regle3 = lambda x: x.loc[x['last_PO_code'].eq('105'), 'qty'].sum() \
                   == x.loc[x['last_PO_code'].eq('106'), 'qty'].sum()

df['regle1'] = df['class'].map(df.groupby(['class','item']).apply(regle1))
df['regle2'] = df['class'].map(df.groupby(['class','item']).apply(regle2))
df['regle3'] = df['class'].map(df.groupby(['class','item']).apply(regle3))
mask1 = df['regle2'] == True 
mask2 = df['regle3'] == True 
mask = mask1 & mask2
df['regle3'] = np.where(mask,True,False)

我想将其转换为如下函数以使用转换而不是应用

我成功使用了规则 1，但我无法使用其他规则进行管理

def regle1(x):
      return (x == '103').all()


df['regle1'] = df.groupby(['class', 'item']).last_PO_code.transform(regle1)

Answer 1

你的意思是这样的：

regle1 = lambda x: True if x['last_PO_code'].eq('103').all() else False
regle2 = lambda x: True if x['last_PO_code'].eq('103').any() \
    and x['last_PO_code'].eq('103').any() \
    and x['last_PO_code'].eq('103').sum() > x['last_PO_code'].eq('104').sum() \
    else False
regle3 = lambda x: True if x['last_PO_code'].eq('103').any() \
    and x['last_PO_code'].eq('104').any() \
    and x['last_PO_code'].eq('105').any() \
    and x['last_PO_code'].eq('106').any() \
    and x['last_PO_code'].eq('103').sum() == x['last_PO_code'].eq('104').sum() \
    and x['last_PO_code'].eq('105').sum() == x['last_PO_code'].eq('106').sum() \
    else False

然后将它们应用于每个组：

df2 = df.groupby(['class','item']).apply(lambda x: pd.Series({'regle1' : regle1(x),
                                  'regle2': regle2(x),
                                  'regle3' : regle3(x)}))

为

df = pd.DataFrame({'class': 'a a aa aa b b c c c c'.split(),
                    'item': [5,5,7,7,7,6,9,9,9,9],
                   'last_PO_code': ['103','103','103','104','103','104','103','104','105','106'],
                   'qty': [5,4,7,6,7,6,1,1,2,2]
                   })

它似乎工作正常：

                regle1  regle2  regle3
class   item            
a       5       True    False   False
aa      7       False   True    False
b       6       False   False   False
        7       True    False   False
c       9       False   False   True

编辑：您可以添加计算列，例如 pd.merge()

df.merge(df2.reset_index(), on = ['class','item'])

#   class   item    last_PO_code    qty regle1  regle2  regle3
#0  a       5       103             5   True    True    False
#1  a       5       103             4   True    True    False
#2  aa      7       103             7   False   False   False
#3  aa      7       104             6   False   False   False
#4  b       7       103             7   True    True    False
#5  b       6       104             6   False   False   False
#6  c       9       103             1   False   False   True
#7  c       9       104             1   False   False   True
#8  c       9       105             2   False   False   True
#9  c       9       106             2   False   False   True