这是this one的后续问题。
从最后一行更改了df，其中一行缺少一个A值
A B C D E F diff
2 a1 a2 a3 a4 100 120/100
2 a1 b2 c3 a4 100 150/100
2 b1 b2 b3 b4 100 130/100
2 c1 c2 c3 c4 100 110/100
2 d1 d2 d3 d4 100 # missing 1 I want to apply it for every other `A` value
1 a1 a2 a3 a4 120 80/120
1 a1 b2 c3 a4 150
1 b1 b2 b3 b4 130
1 c1 c2 c3 c4 110
0 a1 a2 a3 a4 80
0 d1 d2 d3 d4 100 # missing 1
A是2的最后一行仅出现在A是0而不是1的下一行。该行并不关心下一行是否是下一个，而是下一个：
df['d'] = df.groupby(['B', 'C', 'D', "E"])['F'].shift(-1).div(df['F'])
如果A仅比1低且不多，则如何修改它以仅考虑分组行。
实际上，我正在检查天数之间的差异，并且我只想比较第二天，例如星期一与星期日，而不是星期一与星期六，因为星期日不存在。
答案 0 :(得分：1)
一个想法是为每个组添加缺失值，然后进行处理：
df1 = (df.set_index(['B', 'C', 'D', "E", "A"])['F']
.unstack()
.stack(dropna=False)
.reset_index(name='F')
.sort_values('A', ascending=False, ignore_index=True))
df1['d'] = df1.groupby(['B', 'C', 'D', "E"])['F'].shift(-1).div(df1['F'])
print (df1)
B C D E A F d
0 a1 a2 a3 a4 2 100.0 1.200000
1 a1 b2 c3 a4 2 100.0 1.500000
2 b1 b2 b3 b4 2 100.0 1.300000
3 c1 c2 c3 c4 2 100.0 1.100000
4 d1 d2 d3 d4 2 100.0 NaN
5 a1 a2 a3 a4 1 120.0 0.666667
6 a1 b2 c3 a4 1 150.0 NaN
7 b1 b2 b3 b4 1 130.0 NaN
8 c1 c2 c3 c4 1 110.0 NaN
9 d1 d2 d3 d4 1 NaN NaN
10 a1 a2 a3 a4 0 80.0 NaN
11 a1 b2 c3 a4 0 NaN NaN
12 b1 b2 b3 b4 0 NaN NaN
13 c1 c2 c3 c4 0 NaN NaN
14 d1 d2 d3 d4 0 100.0 NaN
如果可能需要与原始行相同数量的行，则可以使用不带merge参数的no，因此它是通过两个df之间的列交叉来连接的：
df = df.merge(df1)
print (df)
A B C D E F diff d
0 2 a1 a2 a3 a4 100 120/100 1.200000
1 2 a1 b2 c3 a4 100 150/100 1.500000
2 2 b1 b2 b3 b4 100 130/100 1.300000
3 2 c1 c2 c3 c4 100 110/100 1.100000
4 2 d1 d2 d3 d4 100 NaN NaN
5 1 a1 a2 a3 a4 120 80/120 0.666667
6 1 a1 b2 c3 a4 150 NaN NaN
7 1 b1 b2 b3 b4 130 NaN NaN
8 1 c1 c2 c3 c4 110 NaN NaN
9 0 a1 a2 a3 a4 80 NaN NaN
10 0 d1 d2 d3 d4 100 NaN NaN
编辑：如果组重复则解决方案：
print (df)
A B C D E F
0 2 a1 a2 a3 a4 100
1 2 a1 b2 c3 a4 100
2 2 a1 b2 c3 a4 100
3 2 b1 b2 b3 b4 100
4 2 c1 c2 c3 c4 100
5 2 c1 c2 c3 c4 100
6 2 d1 d2 d3 d4 100
7 1 a1 a2 a3 a4 120
8 1 a1 b2 c3 a4 150
9 1 b1 b2 b3 b4 130
10 1 c1 c2 c3 c4 110
11 0 a1 a2 a3 a4 80
12 0 d1 d2 d3 d4 100
print (df[df.duplicated(['B', 'C', 'D', "E", "A"], keep=False)])
A B C D E F
1 2 a1 b2 c3 a4 100
2 2 a1 b2 c3 a4 100
4 2 c1 c2 c3 c4 100
5 2 c1 c2 c3 c4 100
df['g'] = df.groupby(['B', 'C', 'D', "E", "A"]).cumcount()
print (df)
A B C D E F g
0 2 a1 a2 a3 a4 100 0
1 2 a1 b2 c3 a4 100 0
2 2 a1 b2 c3 a4 100 1
3 2 b1 b2 b3 b4 100 0
4 2 c1 c2 c3 c4 100 0
5 2 c1 c2 c3 c4 100 1
6 2 d1 d2 d3 d4 100 0
7 1 a1 a2 a3 a4 120 0
8 1 a1 b2 c3 a4 150 0
9 1 b1 b2 b3 b4 130 0
10 1 c1 c2 c3 c4 110 0
11 0 a1 a2 a3 a4 80 0
12 0 d1 d2 d3 d4 100 0
df1 = (df.set_index(['g','B', 'C', 'D', "E", "A"])['F']
.unstack()
.stack(dropna=False)
.reset_index(name='F')
.sort_values('A', ascending=False, ignore_index=True))
df1['d'] = df1.groupby(['B', 'C', 'D', "E"])['F'].shift(-1).div(df1['F'])
print (df1)
g B C D E A F d
0 1 c1 c2 c3 c4 2 100.0 1.000000
1 0 c1 c2 c3 c4 2 100.0 NaN
2 0 a1 a2 a3 a4 2 100.0 1.200000
3 1 a1 b2 c3 a4 2 100.0 1.000000
4 0 a1 b2 c3 a4 2 100.0 NaN
5 0 d1 d2 d3 d4 2 100.0 NaN
6 0 b1 b2 b3 b4 2 100.0 1.300000
7 1 c1 c2 c3 c4 1 NaN NaN
8 1 a1 b2 c3 a4 1 NaN NaN
9 0 d1 d2 d3 d4 1 NaN NaN
10 0 c1 c2 c3 c4 1 110.0 NaN
11 0 a1 a2 a3 a4 1 120.0 0.666667
12 0 b1 b2 b3 b4 1 130.0 NaN
13 0 a1 b2 c3 a4 1 150.0 NaN
14 0 d1 d2 d3 d4 0 100.0 NaN
15 0 c1 c2 c3 c4 0 NaN NaN
16 1 a1 b2 c3 a4 0 NaN NaN
17 0 b1 b2 b3 b4 0 NaN NaN
18 1 c1 c2 c3 c4 0 NaN NaN
19 0 a1 b2 c3 a4 0 NaN NaN
20 0 a1 a2 a3 a4 0 80.0 NaN