pandas 中的条件 groupby 和 shift答案

【问题标题】：Conditional groupby and shift in pandaspandas 中的条件 groupby 和 shift
【发布时间】：2018-04-03 23:31:42
【问题描述】：

我有一个看起来像这样的数据框，它按订单簿的订单信息存储订单。类型 N = 新订单，D = 删除订单，E = 执行。可能会重复使用相同的 order_id。

所以基本上问题是删除和执行没有合适的价格，因为它们应该由具有相同 oid 的最后一个新订单推断出来。有人可以建议一种方法来实现这一目标吗？谢谢

输入

       type        order_id      price
0         N              10         99
1         E              10          0
1         E              10          0
1         D              10          0
0         N              11         98
1         N              10         97
1         D              10          0

输出

       type        order_id      price
0         N              10         99
1         E              10         **99**
1         E              10         **99**
1         D              10         **99**
0         N              11         98
1         N              10         97
1         D              10         **97**

【问题讨论】：

实现什么？你的问题不清楚。您的输入通过什么代码进行？提供的输出是您拥有的还是您想要的？
@jpp - 我认为这是不正确的封闭问题，所以重新打开。

标签： python pandas shift

【解决方案1】：

似乎您需要replace + ffill，因为在这里我假设您的 df 顺序正确。

df.replace(0,np.nan).ffill()
Out[758]: 
  type  order_id  price
0    N        10   99.0
1    E        10   99.0
1    E        10   99.0
1    D        10   99.0
0    N        11   98.0
1    N        10   97.0
1    D        10   97.0

或者我们添加 groupby

df.assign(price=df.price.replace(0,np.nan)).groupby(df.type.eq('N').cumsum()).price.ffill().values

【讨论】：

【解决方案2】：

我认为需要：

df['price'] = df['price'].mask(df['type'].isin(['E','D']))
#df['price'] = df['price'].where(df['type'] == 'N')

df['price'] = df.groupby(df['order_id'].ne(df['order_id'].shift()).cumsum())['price'].ffill()

print (df)
  type  order_id  price
0    N        10   99.0
1    E        10   99.0
1    E        10   99.0
1    D        10   99.0
0    N        11   98.0
1    N        10   97.0
1    D        10   97.0

解释：

首先将price 的值替换为NaNs 为mask 或反转条件为where
然后groupby 由助手Series 由连续的order_id 创建，并由NaNs 由DataFrameGroupBy.ffill 前向填充：

【讨论】：