python - 使用条件条件与 pandas 一起执行 numpy where

Question

我在字段 t1_months 中有一个值用于计算支出发生的月数。我对该值充满信心，并希望将其用作要填充的分配数量的限制。

使用此代码我收到错误 ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

所以这让我认为我需要重新调整这一行，因为这是代码停止的行。
if count <= counter:

我怎样才能创建这样的条件，但仍然能够使用 np.where 子句？

for month_num in range(1, 13):
    count = 0
    # counter = df['t1_months']
    if count <= df['t1_months']:
        if count <= counter:
            df['t1_' + str(month_num) + '/1/2016'] = np.where(
                (df["StartMonthYear"] <= pd.to_datetime(str(month_num) + '/1/2016'))
                & (df["EndMonthYear"] >= pd.to_datetime(str(month_num) + '/1/2016')), df["t1_allotment"], '0.0')
    count += 1

如果我有 df = pd.DataFrame( {'t1_months' : [12,10,6,7]})
的数据框如何使用 12 作为第一行中的检查来仅填充 12 个分配，第二行中 10 个，第三行中 6 个，最后一行中 7 个？

预期输出如下:

t1_months 1/1/2016 ... 6/1/2016 7/1/2016 8/1/2016 9/1/2016 10/1/2016 11/1/2016 12/1/2016
12        500      ...     500      500      500      500      500      500      500  
10        500      ...     500      500      500      500      500     500 
500       500      0        0  
6         500      ...     500     500     500     500     0     0     0     0     0     0
7         500      ...     500      500      500      500      500      0      0      0      0      0

Answer 1

来源 DF:

In [77]: d
Out[77]:
   t1_months
0         12
1         10
2          6
3          7

选项 1:

In [78]: d.join(d.t1_months.apply(lambda x: pd.Series([500]*x)).fillna(0)) \
    ...:  .rename(columns=lambda x: '{}/1/2016'.format(x+1) if isinstance(x,int) else x)
Out[78]:
   t1_months  1/1/2016  2/1/2016  3/1/2016  4/1/2016  5/1/2016  6/1/2016  7/1/2016  8/1/2016  9/1/2016  10/1/2016  11/1/2016  \
0         12     500.0     500.0     500.0     500.0     500.0     500.0     500.0     500.0     500.0      500.0      500.0
1         10     500.0     500.0     500.0     500.0     500.0     500.0     500.0     500.0     500.0      500.0        0.0
2          6     500.0     500.0     500.0     500.0     500.0     500.0       0.0       0.0       0.0        0.0        0.0
3          7     500.0     500.0     500.0     500.0     500.0     500.0     500.0       0.0       0.0        0.0        0.0

   12/1/2016
0      500.0
1        0.0
2        0.0
3        0.0

选项 2:

In [87]: d.join(pd.DataFrame([[500]*x for x in d.t1_months],
    ...:                     columns=['{}/1/2016'.format(i) for i in range(1,13)],
    ...:                     index=d.index))
    ...:
Out[87]:
   t1_months  1/1/2016  2/1/2016  3/1/2016  4/1/2016  5/1/2016  6/1/2016  7/1/2016  8/1/2016  9/1/2016  10/1/2016  11/1/2016  \
0         12       500       500       500       500       500       500     500.0     500.0     500.0      500.0      500.0
1         10       500       500       500       500       500       500     500.0     500.0     500.0      500.0        NaN
2          6       500       500       500       500       500       500       NaN       NaN       NaN        NaN        NaN
3          7       500       500       500       500       500       500     500.0       NaN       NaN        NaN        NaN

   12/1/2016
0      500.0
1        NaN
2        NaN
3        NaN

更新:

Say that I have this DF though.

df = pd.DataFrame( {'months': [12,10,6,7], 'allot': [200, 500, 347, 192]}) .

How do I replace the value of 500 with that which is in the df['allot'] row so that the first pass would have 200, the second 500, the third 347 and then 192 in the last pass?

In [10]: df.join(pd.DataFrame([[1]*x for x in df['months']],
    ...:                      columns=['{}/1/2016'.format(i) for i in range(1,13)],
    ...:                      index=df.index).fillna(0).mul(df['allot'], axis=0))
    ...:
    ...:
Out[10]:
   allot  months  1/1/2016  2/1/2016  3/1/2016  4/1/2016  5/1/2016  6/1/2016  7/1/2016  8/1/2016  9/1/2016  10/1/2016  11/1/2016  \
0    200      12     200.0     200.0     200.0     200.0     200.0     200.0     200.0     200.0     200.0      200.0      200.0
1    500      10     500.0     500.0     500.0     500.0     500.0     500.0     500.0     500.0     500.0      500.0        0.0
2    347       6     347.0     347.0     347.0     347.0     347.0     347.0       0.0       0.0       0.0        0.0        0.0
3    192       7     192.0     192.0     192.0     192.0     192.0     192.0     192.0       0.0       0.0        0.0        0.0

   12/1/2016
0      200.0
1        0.0
2        0.0
3        0.0