基于 Groupby Python 的条件标志

Question

我想使用条件语句根据 id 和优先顺序创建标志 -

数据框 -

    df=pd.DataFrame({'id':[1,1,1,1,2,3,3,3],
     'var':['Apple','Banana','Orange','Mango', 'Mango', 'Banana','Orange','Mango'],
      'flag':[1,1,1,1,1,1,1,1]})

优先顺序 - 苹果 > 香蕉 > 橙子

条件-

1 - 如果 Apple、Banana 和 Mango 出现在 id 中，则 Banana 和 Ornage 的标志变为 0，对 Mango 没有影响，它将为 1。

2 - 如果存在香蕉和橙子，则橙子的标志将变为 0

输出 -

     df=pd.DataFrame({'id':[1,1,1,1,2,3,3,3],
     'var':['Apple','Banana','Orange','Mango', 'Mango', 'Banana','Orange','Mango'],
      'flag':[1,0,0,1,1,1,0,1]})

方法——

我尝试过对数据进行分组，并考虑通过定义条件列表来执行交集。

我相信我把它弄复杂了，而且做错了。请指导。

group_test = df.groupby(['id'],as_index=False).var.agg(lambda x: x.unique().tolist())
list_1 = ['Apple','Banana','Orange']
list_2 = ['Banana', 'Orange']

Answer 1

我们可以循环遍历GroupBy 对象的每个块，并使用loc 将flag 列设置为行满足特定条件所需的值。

首先让我们提前设置所有条件。

match1 = {'Apple', 'Banana', 'Mango'}
match2 = {'Banana', 'Orange'}
p_cond = (df['var'].str.contains('Banana|Orange', regex=True))
s_cond = (df['var'] == 'Orange')

如果符合我们的条件，我们可以循环设置flag 列的分组对象。

for k, v in df.groupby('id')['var']:
    vals = set(v)
    id_cond = (df['id'] == k)

    if vals.issuperset(match1):
        df.loc[id_cond & p_cond, 'flag'] = 0
    elif vals.issuperset(match2):
        df.loc[id_cond & s_cond, 'flag'] = 0
    else:
        continue

这会产生以下结果。

   flag  id     var
0     1   1   Apple
1     0   1  Banana
2     0   1  Orange
3     1   1   Mango
4     1   2   Mango
5     1   3  Banana
6     0   3  Orange
7     1   3   Mango

Answer 2

这是一种适用于给定数据的解决方案。如果您在n = 类别数量的类别中订购(n-2)，我认为它不会起作用。

如果您想为每个id 确定最高类别，这是一个更通用的答案

编辑：如果您有一小组指定顺序的类别，只需将它们集中到一个other 类别中即可分配最后一个顺序。应该够了

import pandas as pd
df=pd.DataFrame({'id':[1,1,1,1,2,3,3,3],
     'var':['Apple','Banana','Orange','Mango', 'Mango', 'Banana','Orange','Mango'],
      'flag':[1,1,1,1,1,1,1,1]})

# create a categorical array with the orders set this way.
# this keeps the ordering Apple > Banana > Orange > Mango
df['category'] = pd.Categorical(df['var'], ordered=True, categories=reversed(['Apple', 'Banana', 'Orange', 'Mango']))

# group by id and just get a boolean of whether var = max category
# for each id subset, compare each var to the maximum category in that subset
df['highest_level'] = df.groupby('id').apply(lambda df_: 1 * (df_['var'] == df_['category'].max())).reset_index(drop=True)

# put mango back to 1 - since Mango was the lowest in the order
# the only times Mango would have a highest_level = 1 would be
# when the entire subset only has Mango var
df.loc[df['var'] == 'Mango', 'highest_level'] = 1