Python 2.7 有条件地复制行/使用有条件地返回行的函数进行转换

我想通过将列“one”扩展到索引为“derby”的所有行来创建一个新的列“derby_one”，如下面的有效结果所示

通过变换函数可以获得类似的结果

但是，我不确定如何修改它以与索引器交互

示例数据 警告 我不想使用连接/合并功能，因为我的实际数据集非常大，例如，以下选项不可行

derby_one = data.loc[pd.IndexSlice[:, 'Derby'], ['one']].reset_index()
derby_one = derby_one[['country', 'one']].rename(columns={'one':'derby_one'})
pd.merge(
    data.reset_index(),
    derby_one,
    left_on=['country'],
    right_on=['country']).set_index(['country', 'town']
)

---

您可以这样做，让Pandas为您对齐索引并仅使用“Derby”行进行查询筛选，然后使用groupby和transform在组中填充NaN值：

data['derby_one'] = data.query('town == "Derby"')['one']
data.groupby(['country'])['derby_one'].transform(max)

输出

number              one  two  three  derby_one
country town                                  
AU      Derby         0    1      2        0.0
        Newcastle     3    4      5        0.0
        Sydney        6    7      8        0.0
UK      Derby         9   10     11        9.0
        Kensington   12   13     14        9.0
        Newcastle    15   16     17        9.0
USA     Derby        18   19     20       18.0

---

嗨，Scott，我已经做了一个编辑，以避免在不依赖“Derby”位于方法列表顶部的情况下运行位置相关的答案fails@AlexanderMcFarlane可以我会修改的。@Alexander McFarlane好的，试试这个。哈，我以为你已经尽力了，只是把它全部删除了，所以我在一条评论中写道：是的，你需要保留组中的填充，所以除非它在组中的第一个或最后一个位置，我想您必须使用groupby。现在删除的答案提供了一个带有.query'town==Derby'的方法，然后使用ffill填充np.nan值。但是，这取决于位置，并且在数据未排序时失败。1但我怀疑ffill.bfill的组合可能会起作用。2.loc[pd.indexlice[：，'Derby']]的速度是具有相同结果的查询速度的两倍

derby_one = data.loc[pd.IndexSlice[:, 'Derby'], ['one']].reset_index()
derby_one = derby_one[['country', 'one']].rename(columns={'one':'derby_one'})
pd.merge(
    data.reset_index(),
    derby_one,
    left_on=['country'],
    right_on=['country']).set_index(['country', 'town']
)

data['derby_one'] = data.query('town == "Derby"')['one']
data.groupby(['country'])['derby_one'].transform(max)

number              one  two  three  derby_one
country town                                  
AU      Derby         0    1      2        0.0
        Newcastle     3    4      5        0.0
        Sydney        6    7      8        0.0
UK      Derby         9   10     11        9.0
        Kensington   12   13     14        9.0
        Newcastle    15   16     17        9.0
USA     Derby        18   19     20       18.0