代码之家 › 专栏 › 技术社区 › ah bon

按一列分组,如果日期列相同,则填写数字列中缺少的值

dataframe pandas python-3.x

ah bon · 技术社区 · 2 年前

假设数据帧 df 如下所示:

          date  actual_value  fitted_value  predicted_value    code
0    2023/8/31           NaN           NaN       520.994413  LX0301
1    2023/9/30           NaN           NaN       580.967973  LX0301
2   2023/10/31           NaN           NaN       650.392867  LX0301
3    2023/8/31    471.459992    520.027310              NaN  LX0301
4    2023/9/30           NaN           NaN       531.199547  LX0301
5   2023/10/31           NaN           NaN       600.053484  LX0301
6    2023/8/31    471.459992    511.902229              NaN  LX0301
7    2023/9/30    480.400211    518.202630              NaN  LX0301
8   2023/10/31           NaN           NaN       537.890792  LX0301
9    2023/8/31           NaN           NaN        99.216818  LX0101
10   2023/9/30           NaN           NaN        98.624779  LX0101
11  2023/10/31           NaN           NaN        98.690596  LX0101
12   2023/8/31     99.400000     99.221767              NaN  LX0101
13   2023/9/30           NaN           NaN        98.822977  LX0101
14  2023/10/31           NaN           NaN        98.875062  LX0101
15   2023/8/31     99.400000     99.220693              NaN  LX0101
16   2023/9/30     98.700000     98.802146              NaN  LX0101
17  2023/10/31           NaN           NaN        98.738091  LX0101

对于每组 code (在本例中,有 LX0301 和 LX0101 ),如果 date 的值相同,我需要填写NaN actual_value 与 实际值 在那个日期存在的。拿 LX0301 例如,我们看到 实际值 成行 0 , 1 和 4 , 2023/8/31 和 2023/9/30 缺少值,但它们显示在行中 6 (或 3 )以及 7 ,因此我们需要使用行中现有的实际值 6. (或 3. )以及 7. 填写行 0 , 1. 和 4. 。注意:对于本例中的每组数据,同一日期的实际值是相同的(例如,行中的实际值 3. 和 6. ,行 12 和 15 是相同的)。如何做到这一点?谢谢

所需结果如下:

          date  actual_value  fitted_value  predicted_value    code
0    2023/8/31    471.459992           NaN       520.994413  LX0301
1    2023/9/30    480.400211           NaN       580.967973  LX0301
2   2023/10/31           NaN           NaN       650.392867  LX0301
3    2023/8/31    471.459992    520.027310              NaN  LX0301
4    2023/9/30    480.400211           NaN       531.199547  LX0301
5   2023/10/31           NaN           NaN       600.053484  LX0301
6    2023/8/31    471.459992    511.902229              NaN  LX0301
7    2023/9/30    480.400211    518.202630              NaN  LX0301
8   2023/10/31           NaN           NaN       537.890792  LX0301
9    2023/8/31     99.400000           NaN        99.216818  LX0101
10   2023/9/30     98.700000           NaN        98.624779  LX0101
11  2023/10/31           NaN           NaN        98.690596  LX0101
12   2023/8/31     99.400000     99.221767              NaN  LX0101
13   2023/9/30     98.700000           NaN        98.822977  LX0101
14  2023/10/31           NaN           NaN        98.875062  LX0101
15   2023/8/31     99.400000     99.220693              NaN  LX0101
16   2023/9/30     98.700000     98.802146              NaN  LX0101
17  2023/10/31           NaN           NaN        98.738091  LX0101

2 回复 | 直到 2 年前

ah bon 2 年前

尝试:

df['actual_value_new'] = df.groupby(['code','date'])['actual_value'].transform('first')

输出(已使用 actual_value_new 仅用于显示旧列和新列):

          date  actual_value  fitted_value  predicted_value    code  actual_value_new
0    2023/8/31           NaN           NaN       520.994413  LX0301        471.459992
1    2023/9/30           NaN           NaN       580.967973  LX0301        480.400211
2   2023/10/31           NaN           NaN       650.392867  LX0301               NaN
3    2023/8/31    471.459992    520.027310              NaN  LX0301        471.459992
4    2023/9/30           NaN           NaN       531.199547  LX0301        480.400211
5   2023/10/31           NaN           NaN       600.053484  LX0301               NaN
6    2023/8/31    471.459992    511.902229              NaN  LX0301        471.459992
7    2023/9/30    480.400211    518.202630              NaN  LX0301        480.400211
8   2023/10/31           NaN           NaN       537.890792  LX0301               NaN
9    2023/8/31           NaN           NaN        99.216818  LX0101         99.400000
10   2023/9/30           NaN           NaN        98.624779  LX0101         98.700000
11  2023/10/31           NaN           NaN        98.690596  LX0101               NaN
12   2023/8/31     99.400000     99.221767              NaN  LX0101         99.400000
13   2023/9/30           NaN           NaN        98.822977  LX0101         98.700000
14  2023/10/31           NaN           NaN        98.875062  LX0101               NaN
15   2023/8/31     99.400000     99.220693              NaN  LX0101         99.400000
16   2023/9/30     98.700000     98.802146              NaN  LX0101         98.700000
17  2023/10/31           NaN           NaN        98.738091  LX0101               NaN

ah bon 2 年前

下面的代码似乎可以工作。欢迎您指出问题或分享其他解决方案:

# Convert the 'date' column to datetime type
df['date'] = pd.to_datetime(df['date'])
# Group by 'code' and 'date', and fill missing values in 'actual_value' column
df['actual_value'] = df.groupby(['code', 'date'])['actual_value'].transform(lambda x: x.fillna(x.dropna().max()))
print(df)

输出:

         date  actual_value  fitted_value  predicted_value    code
0  2023-08-31    471.459992           NaN       520.994413  LX0301
1  2023-09-30    480.400211           NaN       580.967973  LX0301
2  2023-10-31           NaN           NaN       650.392867  LX0301
3  2023-08-31    471.459992    520.027310              NaN  LX0301
4  2023-09-30    480.400211           NaN       531.199547  LX0301
5  2023-10-31           NaN           NaN       600.053484  LX0301
6  2023-08-31    471.459992    511.902229              NaN  LX0301
7  2023-09-30    480.400211    518.202630              NaN  LX0301
8  2023-10-31           NaN           NaN       537.890792  LX0301
9  2023-08-31     99.400000           NaN        99.216818  LX0101
10 2023-09-30     98.700000           NaN        98.624779  LX0101
11 2023-10-31           NaN           NaN        98.690596  LX0101
12 2023-08-31     99.400000     99.221767              NaN  LX0101
13 2023-09-30     98.700000           NaN        98.822977  LX0101
14 2023-10-31           NaN           NaN        98.875062  LX0101
15 2023-08-31     99.400000     99.220693              NaN  LX0101
16 2023-09-30     98.700000     98.802146              NaN  LX0101
17 2023-10-31           NaN           NaN        98.738091  LX0101