条件下填充大熊猫细胞的有效方法

Question

我有一个以下格式的 pandas 数据框：

  col1 col2
0    a    A
1    a
2    a    A
3    a
4    b
5    b
6    c    A
7    c

我想搜索col1至少具有N对应col2 == 'A'值的值。col2在这种情况下，我想用 s 填充列中其余相应单元格'A'。

让我们看一个具体的例子。让我们假设一下N=1。在本例中，我们检查各个'A'值是否至少有一个。对于， 中有 2 个s ，因此这种情况满足条件。因此，让我们用s填充索引为 1 和 3 的行。继续，我们看到对于， 中没有s ，因此不需要在这里填写任何内容。最后，我们看到 for中正好有一个。由于这也满足条件，我们也将用填充索引为 7 的行。col2col1col1='a''A'col2col2'A'col1='b''A'col2col1='c''A'col2col2'A'

同样，当N阈值设置为 2 时，新的'A's 只会添加到 中索引为 1 和 3 的行col2，而不会添加到最后一行（索引 7）。

我假设可能有一种有效的矢量化方法来解决这个问题。目前，我只能考虑迭代数据帧，这对于具有数十或数千行的原始数据集来说不能很好地扩展。

这是我到目前为止所尝试的。这适用于这种N=1情况，尽管我没有设法弄清楚如何将其推广到任何N阈值，更不用说如何更好地实现它了：

df = df.sort_values(['col1','col2'], ascending=[True,False]).reset_index(drop=True)
for idx, row in df.iloc[1:,:].iterrows():
    if df.loc[idx,'col1'] == df.loc[idx-1,'col1'] and df.loc[idx,'col2']=='' and df.loc[idx-1,'col2']!='':
        df.loc[idx,'col2'] = df.loc[idx-1,'col2']

重现数据帧的代码：

df = pd.DataFrame(
    [['a','A'],['a',''],['a','A'],['a',''],['b',''],['b',''],['c','A'],['c','']], 
    columns=['col1','col2']
)

Answer 1

这是您要找的吗？

N = 1
value = 'A'

df.loc[df.groupby('col1')['col2'].transform(lambda x: sum(x == value) >= N), 'col2'] = value

print(df)

  col1 col2
0    a    A
1    a    A
2    a    A
3    a    A
4    b     
5    b     
6    c    A
7    c    A

...然后与N = 2...

  col1 col2
0    a    A
1    a    A
2    a    A
3    a    A
4    b     
5    b     
6    c    A
7    c