具有阈值的累积销售数据形成具有布尔值的新系列/列？

Question

我有这种类型的数据，但在现实生活中它有数百万个条目。产品 ID 始终是特定于产品的，但在其生命周期中会出现多次。

日期	产品编号	收入	估计终生价值
2021-04-16	0061M00001AXc5lQAD	970	2000年
2021-04-17	0061M00001AXbCiQAL	159	50000
2021-04-18	0061M00001AXb9AQAT	80	3000
2021-04-19	0061M00001AXbIHQA1	1100	8000
2021-04-20	0061M00001AXbY8QAL	90	4000
2021-04-21	0061M00001AXbQ1QAL	29	30000
2021-04-21	0061M00001AXc5lQAD	30	2000年
2021-05-02	0061M00001AXc5lQAD	50	2000年
2021-05-05	0061M00001AXc5lQAD	50	2000年

我希望在 Pandas 中创建一个新列，指示某个产品 ID 何时产生的收入超过特定阈值，例如 100 美元、1000 美元，将其标记为胜利 (1)。在产品的生命周期中，胜利可能只发生一次。此外，我想创建另一列，指示特定产品销售额超过估计生命周期价值的 10% 的行。

在 Python / Pandas 中实现这一目标的最直观方法是什么？

编辑：

• dw1k_thresh：如果特定产品 id 的累计销售额 >= 1000，则该列采用布尔值 1，否则为零。但是 1 只能出现一次，之后再次始终为零。基本上它只是一个产品销量超过1000临界值时的日期和交易指标。

• dw10perc：如果一个产品 id 的累计销售额 >= 估计生命周期价值的 10%，则该列取值为 1，否则为 0。但是 1 只能出现一次，之后再次始终为零。基本上它只是一个日期和交易的指标，当产品销售额超过估计生命周期价值的 10% 的临界值时。

• 阈值对于所有产品 ID 都是通用的（我将在稍后阶段使用不同的阈值复制该过程，以确定哪个是预测未来收入的最佳阈值）。

我正在努力实现这一目标：

到目前为止，我编写的代码试图建立 cum_rev 和 dw1k_thresh 列，但不幸的是它不起作用。

df_final["dw1k_thresh"] = 0
df_final["cum_rev"]= 0 

opp_list =set()

for row in df_final["product id"].iteritems():
    opp_list.add(row)


opp_list=list(opp_list)
opp_list=pd.Series(opp_list)


for i in opp_list: 
    if i == df_final["product id"].any():
        df_final.cum_rev = df_final.revenue.cumsum()

    for x in df_final.cum_rev:
        if x >= 1000 & df_final.dw1k_thresh.sum() == 0: 
            df_final.dw1k_thresh = 1
        else: 
            df_final.dw1k_thresh = 0

df_final.head(30)

Answer 1

1. 累计收入groupby：可以使用和相当简单地计算cumsum。
2. dwk1k_thresh：我们首先检查 cum_rev 是否​​大于 1000，然后应用帮助我们仅保持 1 一次的函数，之后再次始终为零。
3. dw10_perc：与 dw1k_thresh 相同的方法。

作为第一步，您需要删除$并确保您的列是数字类型，以执行您概述的比较。

# Imports
import pandas as pd
import numpy as np

# Remove $ sign and convert to numeric
cols = ['revenue','estimated lifetime value']
df[cols] = df[cols].replace({'\$': '', ',': ''}, regex=True).astype(float)

# Cumulative Revenue
df['cum_rev'] = df.groupby('product id')['revenue'].cumsum()

# Function to be applied on both
def f(df,thresh_col):
    return  (df[df[thresh_col]==1].sort_values(['date','product id'], ascending=False)
            .groupby('product id', as_index=False,group_keys=False)
            .apply(lambda x: x.tail(1))
            ).index.tolist()

# dw1k_thresh
df['dw1k_thresh'] = np.where(df['cum_rev'].ge(1000),1,0)
df['dw1k_thresh'] = np.where(df.index.isin(f(df,'dw1k_thresh')),1,0)

# dw10perc
df['dw10_perc'] = np.where(df['cum_rev'] > 0.10 * df.groupby('product id',observed=True)['estimated lifetime value'].transform('sum'),1,0)
df['dw10_perc'] = np.where(df.index.isin(f(df,'dw10_perc')),1,0)

印刷：

>>> df

        date          product id  revenue  ...  cum_rev  dw1k_thresh  dw10_perc
0 2021-04-16  0061M00001AXc5lQAD      970  ...      970            0          1
1 2021-04-17  0061M00001AXbCiQAL      159  ...      159            0          0
2 2021-04-18  0061M00001AXb9AQAT       80  ...       80            0          0
3 2021-04-19  0061M00001AXbIHQA1     1100  ...     1100            1          1
4 2021-04-20  0061M00001AXbY8QAL       90  ...       90            0          0
5 2021-04-21  0061M00001AXbQ1QAL       29  ...       29            0          0
6 2021-04-21  0061M00001AXc5lQAD       30  ...     1000            1          0
7 2021-05-02  0061M00001AXc5lQAD       50  ...     1050            0          0
8 2021-05-05  0061M00001AXc5lQAD       50  ...     1100            0          0