python - 事件前后的 Pandas Dataframe 列编码 - 时间序列

Question

我有一个看起来像这样的数据名:

import pandas as pd

df = pd.DataFrame(
    {'ID': ['1', '1', '1', '1', '1',
            '2' , '2', '3', '3'], 
     'Year': ["2012", "2013", "2014", "2015",
              "2016", "2012", "2013", "2012", "2013"], 
     'Event': ['0', '0', '0', '1','0', '0',
               '0', '1', '0']})

我想创建一个新列，其中的值以事件为中心，这样事件发生前的时间从 0 开始减少，事件发生的时间为 0，事件发生后的时间从 0 开始增加。在每个案例，事件前后的时间只会记录每个ID。一些 ID 没有事件，因此它们保持为 0，每个事件对于每个 ID 最多只能发生一次。

我希望结果看起来像这样:

out = pd.DataFrame(
    {'ID': ['1', '1', '1', '1', '1', 
            '2', '2', '3', '3'], 
     'Year': ["2012", "2013", "2014", "2015",
              "2016", "2012", "2013", "2012",
              "2013"], 
     'Event': ['0', '0', '0', '1','0', '0',
               '0', '1', '0'], 
     'Period': ['-3', '-2', '-1', '0',
                '1', '0', '0', '0', '1']})

有什么想法吗？提前致谢!

Answer 1

你可以做的是编写一个名为 get_period 的自定义函数，它接受一个 pd.Series，其中特定事件值发生一次(在你的例子中，字符串 '1')，并返回一个 pd.Series 整数范围，其中 0 与事件发生的索引相同。

例如，get_period(pd.Series(['0','0','0','1','0']))确定series的长度为5，在 index=3 处找到 '1'，然后创建 np.arange(5) = [0,1,2,3,4]，从每个值中减去 3，并返回 pd.Series([-3,-2,-1,0,1])。

然后我们可以在您的 DataFrame 上执行 ID 分组，并将函数 get_period 应用于 Event 列。

import numpy as np
import pandas as pd

def get_period(s, event_value='1'):
    event_idx = np.where(s == event_value)[0]
    if len(np.where(s == event_value)[0]) == 0:
        return pd.Series([0]*len(s))
    else:
        return pd.Series(np.arange(len(s)) - event_idx)

df = pd.DataFrame({'ID': ['1', '1', '1', '1', '1', '2' , '2', '3', '3'], 'Year': ["2012", "2013", "2014", "2015", "2016", "2012", "2013", "2012", "2013"], 'Event': ['0', '0', '0', '1','0', '0', '0', '1', '0']})
df['Period'] = df.groupby("ID").Event.apply(lambda x: get_period(x)).values

结果:

  ID  Year Event  Period
0  1  2012     0      -3
1  1  2013     0      -2
2  1  2014     0      -1
3  1  2015     1       0
4  1  2016     0       1
5  2  2012     0       0
6  2  2013     0       0
7  3  2012     1       0
8  3  2013     0       1