Question

下面你会找到我编写的代码来计算df.a和df.b值的相对变化，而df是一个数据帧。必须计算的内容基本上是df["c"] = df.a/df.a.iloc[df.d].values。如果df.a/df.a.iloc[df.d].values大于或小于df.b/df.b.iloc[df.d].values * (1+ tolerance)

，则将df.d设置为等于df.t

问题是代码目前带有以下错误代码：ValueError: ('The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().', u'occurred at index 2011-01-01 00:00:00')我绝对不知道为什么......

import pandas as pd
import numpy as np
import datetime

randn = np.random.randn
rng = pd.date_range('1/1/2011', periods=10, freq='D')

df = pd.DataFrame({'a': [1.1, 1.2, 2.3, 1.4, 1.5, 1.8, 0.7, 1.8, 1.9, 2.0], 'b': [1.1, 1.5, 1.3, 1.6, 1.5, 1.1, 1.5, 1.7, 2.1, 2.1],'c':[None] * 10},index=rng)

df["d"]= [0,0,0,0,0,0,0,0,0,0]
df["t"]= np.arange(len(df))
tolerance = 0.3

def set_t(x):
    if df.a/df.a.iloc[df.d].values < df.b/df.b.iloc[df.d].values * (1+tolerance):
        return  df.iloc[df.index.get_loc(x.name) - 1]['d'] == df.t
    elif df.a/df.a.iloc[df.d].values > df.b/df.b.iloc[df.d].values * (1+tolerance):
        return df.iloc[df.index.get_loc(x.name) - 1]['d'] == df.t

#The conditions in part one are exactly the same as in part 2, only first it says smaller than, and in the second part is bigger than df.b/df.b.iloc[df.d].values * (1+tolerance)


df['d'] = df.apply(set_t, axis =1)

#df["d"]= [0,0,0,3,3,3,6,7,7,7] this should be the coutcome for d

df["c"] = df.a/df.a.iloc[df.d].values

(df.a/df.a.iloc[df.d].values).all() < (df.b/df.b.iloc[df.d].values).all()或.any()的应用程序不会导致所需的结果，因为它只会检查当前设置的数据何时为TRUE或FALSE，但它不会设置新值。

期望的结果如下：

              a    b         c  d  t
2011-01-01  1.1  1.1  1.000000  0  0
2011-01-02  1.2  1.5  1.090909  0  1
2011-01-03  2.3  1.3  2.090909  0  2
2011-01-04  1.4  1.6  1.000000  3  3
2011-01-05  1.5  1.5  1.071429  3  4
2011-01-06  1.8  1.1  1.285714  3  5
2011-01-07  0.7  1.5  1.000000  6  6
2011-01-08  1.8  1.7  1.000000  7  7
2011-01-09  1.9  2.1  1.055556  7  8
2011-01-10  2.0  2.1  1.111111  7  9

任何想法如何解决？

Answer 1

这不是100％的解决方案，但至少应该让您走上更好的道路并解决主要问题。我从语法方面看到的核心问题是你试图混合矢量化和非矢量化代码。你可以做更像这样的事情：

>>> df['d1'] = df.a/df.a.iloc[df.d].values > df.b/df.b.iloc[df.d].values * (1+tolerance)

>>> df['d2'] = df.a/df.a.iloc[df.d].values * (1+tolerance) < df.b/df.b.iloc[df.d].values

>>> df['d'] = df['d1'] | df['d2']

>>> df

              a    b     c      d  t     d1     d2
2011-01-01  1.1  1.1  None  False  0  False  False
2011-01-02  1.2  1.5  None  False  1  False  False
2011-01-03  2.3  1.3  None   True  2   True  False
2011-01-04  1.4  1.6  None  False  3  False  False
2011-01-05  1.5  1.5  None  False  4  False  False
2011-01-06  1.8  1.1  None   True  5   True  False
2011-01-07  0.7  1.5  None   True  6  False   True
2011-01-08  1.8  1.7  None  False  7  False  False
2011-01-09  1.9  2.1  None  False  8  False  False
2011-01-10  2.0  2.1  None  False  9  False  False

这不是你想要的答案，但希望能告诉你代码发生了什么，以及如何修复它以获得你想要的东西（即你不需要或不想成为使用函数并在此处应用它，只需使用标准的pandas矢量化代码。）

如果你能做到这一点，更简洁的方法就是使用np.where（其中两个顺序或嵌套）。

Answer 2

好的，我得到你想要的结果，但这仍然太复杂和无效。我很想看到一个出色的解决方案：

import pandas as pd
import numpy as np
import datetime

randn = np.random.randn


rng = pd.date_range('1/1/2011', periods=10, freq='D')

df = pd.DataFrame({'a': [1.1, 1.2, 2.3, 1.4, 1.5, 1.8, 0.7, 1.8, 1.9, 2.0], 'b': [1.1, 1.5, 1.3, 1.6, 1.5, 1.1, 1.5, 1.7, 2.1, 2.1],'c':[None] * 10},index=rng)



df["d"]= [0,0,0,0,0,0,0,0,0,0]



df["t"]= np.arange(len(df))
tolerance = 0.3

df['d1'] = df.a/df.a.iloc[df.d].values > df.b/df.b.iloc[df.d].values * (1+tolerance)

df['d2'] = df.a/df.a.iloc[df.d].values * (1+tolerance) < df.b/df.b.iloc[df.d].values



df['e'] = df.d1*df.t
df['f'] = df.d2*df.t
df['g'] = df.e +df.f
df.ix[df.g > df.g.shift(1),"h"] = df.g * 1; df
df.h = df.h + 1
df.h = df.h.shift(1)
df['h'][0] = 0

df.h.fillna(method='ffill',inplace=True)
df["d"] = df.h
df["c"] = df.a/df.a.iloc[df.d].values

这就是结果：

              a    b         c  d  t     d1     d2  e  f  g  h
2011-01-01  1.1  1.1  1.000000  0  0  False  False  0  0  0  0
2011-01-02  1.2  1.5  1.090909  0  1  False  False  0  0  0  0
2011-01-03  2.3  1.3  2.090909  0  2   True  False  2  0  2  0
2011-01-04  1.4  1.6  1.000000  3  3  False  False  0  0  0  3
2011-01-05  1.5  1.5  1.071429  3  4  False  False  0  0  0  3
2011-01-06  1.8  1.1  1.285714  3  5   True  False  5  0  5  3
2011-01-07  0.7  1.5  1.000000  6  6  False   True  0  6  6  6
2011-01-08  1.8  1.7  1.000000  7  7  False  False  0  0  0  7
2011-01-09  1.9  2.1  1.055556  7  8  False  False  0  0  0  7
2011-01-10  2.0  2.1  1.111111  7  9  False  False  0  0  0  7

从这里您可以轻松删除行，例如del df['g']

如何计算if语句的相对值重新平衡/错误：＆＃34;系列的真值是模棱两可的＆＃34;

2 个答案: