Question

以下数据框显示了几年中两家商店（shop_id=11，shop_id=15）的月收入：

data = { 'shop_id' : [   11,    15,    15,    15,    11,   11 ],
         'month'   : [    1,     1,     2,     3,     2,    3 ],
         'year'    : [ 2011,  2015,  2015,  2015,  2014, 2014 ],
         'revenue' : [11000,  5000,  4500,  5500, 10000, 8000]
       }

df = pd.DataFrame(data)
df = df[['shop_id', 'month', 'year', 'revenue']]
display(df)

您会注意到shop_id=11在2011年（1月）只有一个条目，而shop_id=15在2015年（1月，2月和3月）只有几个条目。不过，有趣的是，第一家商店在2014年还有更多条目：

我正在尝试优化自定义功能（与.apply()一起使用），以创建名为diff_revenue的新功能：此功能显示了每个商店的上个月收入变化：

我想对如何生成diff_revenue中的某些值提供一些解释：

第一个单元格的值为 0 （红色），因为没有shop_id=11的先前信息；
第二个单元格也是 0 （橙色），原因相同：shop_id=15没有先前的信息；
第三个单元格为 500 （绿色），因为从该商店的最后一个条目（2015年1月）到当前单元格的收入（2015年2月）的变化是500个特朗普。 / li>
第5个单元格为 1000 （深蓝色），因为从该商店的最后一个条目（2011年1月）到当前单元格的收入（2014年2月）的变化为1000特朗普。 / li>

我不是熊猫专家，并且想知道熊猫神是否知道更好的方法。我必须使用的DataFrame很大（+ 1M观察），而我目前的方法太慢了。我正在寻找一种更快的替代方法，或者可能是更具可读性的方法。

Answer 1

您或多或少希望在'Revenue'列上使用Series.diff，但需要做一些其他事情：

排序以确保您的DataFrame按时间顺序排列（以后可以撤消此操作）
在groupby上执行'shop_id'以进行组级操作
取绝对值，因为您不想在正负之间进行区分

在代码方面：

# sort the values so they're in order when we perform a groupby
df = df.sort_values(by=['year', 'month'])

# perform a groupby on 'shop_id' and get the row-wise difference within each group
df['diff_revenue'] = df.groupby('shop_id')['revenue'].diff()

# fill NA as zero (no previous info), take absolute value, convert float -> int
df['diff_revenue'] = df['diff_revenue'].fillna(0).abs().astype('int')

# revert to original order
df = df.sort_index()

结果输出：

   shop_id  month  year  revenue  diff_revenue
0       11      1  2011    11000             0
1       15      1  2015     5000             0
2       15      2  2015     4500           500
3       15      3  2015     5500          1000
4       11      2  2014    10000          1000
5       11      3  2014     8000          2000

修改

不太直接的解决方案，但性能可能更高：

# sort the values so they're chronological order by shop_id
df = df.sort_values(by=['shop_id', 'year', 'month'])

# take the row-wise difference ignoring changes in shop_id
df['diff_revenue'] = df['revenue'].diff()

# zero out locations where shop_id changes (no previous info)
df.loc[df['shop_id'] != df['shop_id'].shift(), 'diff_revenue'] = 0

# Take the absolute value, convert float -> int
df['diff_revenue'] = df['diff_revenue'].abs().astype('int')

# revert to original order
df = df.sort_index()

如何计算相同ID的月收入差异

1 个答案: