将负行值与前一行 pandas 相加

Question

我很难找到一种好方法来查找列中的所有负条目并将它们向上移动，将它们与现有条目相加（即从当前条目中减去负条目），直到所有值为正.

重要的是最终数据帧没有负值，并且所有以前的负条目 = 0。此外，该表是重复的，这意味着我需要根据 ID 以及条目（仅对相同 ID 的条目求和）。

基于此处已提供的表格：

现在：

ID	Date	Entries
1	2013	100
1	2014	0
1	2015	60
1	2016	-30
1	2017	0
1	2018	50
1	2019	0
1	2020	-20
2	2013	100
2	2014	0
2	2015	60
2	2016	-30
2	2017	0
2	2018	50
2	2019	0
2	2020	-20

期望：

ID	Date	Entries
1	2013	100
1	2014	0
1	2015	30
1	2016	0
1	2017	0
1	2018	30
1	2019	0
1	2020	0
2	2013	100
2	2014	0
2	2015	30
2	2016	0
2	2017	0
2	2018	30
2	2019	0
2	2020	0

Answer 1

值数组的直接递归函数

df = pd.read_csv(io.StringIO("""ID  Date    Entries
1   2013    100
1   2014    0
1   2015    60
1   2016    -30
1   2017    0
1   2018    50
1   2019    0
1   2020    -20
2   2013    100
2   2014    0
2   2015    60
2   2016    -30
2   2017    0
2   2018    50
2   2019    0
2   2020    -20"""), sep="\t")

def shiftminus(a):
    touch=False
    for i,n in enumerate(a):
        if n<0 and i>0:
            a[i-1] += a[i]
            a[i] = 0
            touch=True
    if touch:
        a = shiftminus(a)
    return a

df["Entries"] = shiftminus(df["Entries"].values)

输出

 ID  Date  Entries
  1  2013      100
  1  2014        0
  1  2015       30
  1  2016        0
  1  2017        0
  1  2018       30
  1  2019        0
  1  2020        0
  2  2013      100
  2  2014        0
  2  2015       30
  2  2016        0
  2  2017        0
  2  2018       30
  2  2019        0
  2  2020        0

Answer 2

创建组后可以尝试反向cumsum，然后mask：

s = df['Entries'].gt(0).cumsum()
u= df['Entries'][::-1].groupby(s).cumsum().mask(df['Entries'].le(0),0)
out = df.assign(New_Entries=u) # you can assign to the original column too.

---

print(out)
    ID  Date  Entries  New_Entries
0    1  2013      100          100
1    1  2014        0            0
2    1  2015       60           30
3    1  2016      -30            0
4    1  2017        0            0
5    1  2018       50           30
6    1  2019        0            0
7    1  2020      -20            0
8    2  2013      100          100
9    2  2014        0            0
10   2  2015       60           30
11   2  2016      -30            0
12   2  2017        0            0
13   2  2018       50           30
14   2  2019        0            0
15   2  2020      -20            0