python - 根据组的天间隔为列分配值的优雅方法

Question

我有一个如下所示的数据框

df1 = pd.DataFrame({'subject_id' :[1,1,1,1,1,1,1,2,2,2,2],'day':[3,7,9,10,11,19,20,7,13,18,22] , 'fake_flag' :['fake VAC','','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC']})

如下图所示

我想根据以下规则在 actual_flag 列中填写值

a) fake_flag 的值应为 fake_vac 并且不应该为空

b) 仅在 fake_vac 出现时的第一天以及14 天间隔之后的记录填写值。

这是我尝试过的

t = df1[df1['fake_flag'] == 'fake VAC']
sub_list = t['subject_id'].unique().tolist()
   for sub in sub_list:
     day_list = t['day'][t['subject_id']==sub].tolist()
     min_value = min(day_list)
     index = t[t['day']==min_value].index
     df1.loc[index, 'actual_flag'] = 'act_vac'
     i_14day = min_value + 14
     day_values = [i for i in day_list if i >= i_14day]
     print("day greater than 14 are ", day_values)
     if len(day_values) > 0:
         for val in day_values:
            index = t[t['day']==val].index
            df1.loc[index, 'actual_flag'] = 'act_vac'

正如您所看到的，这非常冗长，我无法对百万条记录的数据集执行此操作。任何高效且优雅的方法都是有帮助的

我期望我的输出如下所示

在本例中，对于 subject_id = 1，第 3 天 是 fake vac 第一次出现，第 19 天(19 是 gt > 3) 中的 14 天间隔和第 20 天(20 是 gt > 3 中的 14 天间隔)是在 14 天间隔之后。任何优雅且高效的解决方案都是有帮助的

测试样本数据

df1 = pd.DataFrame({'subject_id' :[1,1,1,1,1,1,1,1,2,2,2,2],'day':[2,3,7,9,10,11,19,20,7,13,18,22] , 'fake_flag' :['','fake VAC','','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC','fake VAC']})

**更新屏幕截图**

Answer 1

一种方法是从每组中的所有日期中减去第一天，检查哪些日期大于 14 并将它们设置为 “act_vac”，以及最初的日子:

import numpy as np
# Returns a boolean with True if a given day - first day > 14
ix = df1.fake_flag.ne('').groupby(df1.subject_id).transform('idxmax')
c1 = df1.day.sub(df1.values[ix, 1]).gt(14)
# True if the id is different to previous row
c2 = df1.subject_id.ne(df1.subject_id.shift())
# logical OR of the above conditions
df1['actual_flag'] = np.where(c1 | c2, 'act_vac', '')

     subject_id  day fake_flag actual_flag
0            1    3  fake VAC     act_vac
1            1    7                      
2            1    9  fake VAC            
3            1   10  fake VAC            
4            1   11  fake VAC            
5            1   19  fake VAC     act_vac
6            1   20  fake VAC     act_vac
7            2    7  fake VAC     act_vac
8            2   13  fake VAC            
9            2   18  fake VAC            
10           2   22  fake VAC     act_vac

<小时/>

详细信息

df1.assign(c1=c1, c2=c2, actual_flag= np.where(c1 | c2, 'act_vac', ''))

     subject_id  day fake_flag actual_flag     c1     c2
0            1    3  fake VAC     act_vac  False   True
1            1    7                        False  False
2            1    9  fake VAC              False  False
3            1   10  fake VAC              False  False
4            1   11  fake VAC              False  False
5            1   19  fake VAC     act_vac   True  False
6            1   20  fake VAC     act_vac   True  False
7            2    7  fake VAC     act_vac  False   True
8            2   13  fake VAC              False  False
9            2   18  fake VAC              False  False
10           2   22  fake VAC     act_vac   True  False