Question

具有df：

cell;value
0;8
1;2
2;1
3;6
4;4
5;6
6;7

我正在尝试定义一个函数，该函数将检查观察到的行后的单元格值。如果在观察到的一个(i+1)之后的单元格值大于然后观察到的(i)，则新列maxValue中的值等于0（如果较小，则等于1）。

最后的df应该如下：

 cell;value;maxValue
    0;8;1
    1;2;1
    2;1;0
    3;6;1
    4;4;0
    5;6;0
    6;7;0

我尚无法解决的解决方案是：

    def MaxFind(df, a, col='value'):
if df.iloc[a+1][col] > df.iloc[a][col]:
    return 0

df['maxValue'] = df.apply(lambda row: MaxFind(df, row.value), axis=1)

Answer 1

我相信您需要shift并与gt进行比较，将掩码反转并转换为整数：

df['maxValue'] = (~df['value'].shift().gt(df['value'])).astype(int)
#another solution
#df['maxValue'] = df['value'].shift().le(df['value']).astype(int)
print (df)
   cell  value  maxValue
0     0      8         1
1     1      2         0
2     2      1         0
3     3      6         1
4     4      4         0
5     5      6         1
6     6      7         1

详细信息：

df['shifted'] = df['value'].shift()
df['mask'] = (df['value'].shift().gt(df['value']))
df['inverted_mask'] = (~df['value'].shift().gt(df['value']))
df['maxValue'] = (~df['value'].shift().gt(df['value'])).astype(int)
print (df)
   cell  value  shifted   mask  inverted_mask  maxValue
0     0      8      NaN  False           True         1
1     1      2      8.0   True          False         0
2     2      1      2.0   True          False         0
3     3      6      1.0  False           True         1
4     4      4      6.0   True          False         0
5     5      6      4.0  False           True         1
6     6      7      6.0  False           True         1

编辑：

df['maxValue'] = df['value'].shift(1).le(df['value'].shift(-1)).astype(int)

print (df)
   cell  value  maxValue
0     0      8         0
1     1      2         0
2     2      1         1
3     3      6         1
4     4      4         1
5     5      6         1
6     6      7         0

df['shift_1'] = df['value'].shift(1)
df['shift_-1'] = df['value'].shift(-1)
df['mask'] = df['value'].shift(1).le(df['value'].shift(-1))
df['maxValue'] = df['value'].shift(1).le(df['value'].shift(-1)).astype(int)

print (df)
   cell  value  shift_1  shift_-1   mask  maxValue
0     0      8      NaN       2.0  False         0
1     1      2      8.0       1.0  False         0
2     2      1      2.0       6.0   True         1
3     3      6      1.0       4.0   True         1
4     4      4      6.0       6.0   True         1
5     5      6      4.0       7.0   True         1
6     6      7      6.0       NaN  False         0

如果移位值，则获取第一个或最后一个缺失值。如有必要，可以通过先不添加NaN或最后不添加NaN进行正向或反向填充来代替它们：

df['shift_1'] = df['value'].shift(2)
df['shift_-1'] = df['value'].shift(-2)
df['mask'] = df['value'].shift(2).le(df['value'].shift(-2))
df['maxValue'] = df['value'].shift(2).le(df['value'].shift(-2)).astype(int)
print (df)
   cell  value  shift_1  shift_-1   mask  maxValue
0     0      8      NaN       1.0  False         0
1     1      2      NaN       6.0  False         0
2     2      1      8.0       4.0  False         0
3     3      6      2.0       6.0   True         1
4     4      4      1.0       7.0   True         1
5     5      6      6.0       NaN  False         0
6     6      7      4.0       NaN  False         0

df['shift_1'] = df['value'].shift(2).bfill()
df['shift_-1'] = df['value'].shift(-2).ffill()
df['mask'] = df['value'].shift(2).bfill().le(df['value'].shift(-2).ffill())
df['maxValue'] = df['value'].shift(2).bfill().le(df['value'].shift(-2).ffill()).astype(int)

print (df)
   cell  value  shift_1  shift_-1   mask  maxValue
0     0      8      8.0       1.0  False         0
1     1      2      8.0       6.0  False         0
2     2      1      8.0       4.0  False         0
3     3      6      2.0       6.0   True         1
4     4      4      1.0       7.0   True         1
5     5      6      6.0       7.0   True         1
6     6      7      4.0       7.0   True         1

遍历熊猫行

1 个答案: