Python 比较pandas groupby中的最后一个值

这是我的数据帧：

df = pd.DataFrame({'a': list('xxxxxzzz'), 'b':[0,0,1,0,1,0,1,1], 'c': [100, 101, 105, 110, 120, 125, 100, 150], 'd':[0,0,0,1,1,0,0,0]})

我将他们分组：

groups = df.groupby(['a', 'd'])

我想在

df

中添加另一列，每组显示

c

的最后一个值与其

b

为0和

b

的最后一个值之间的差异（百分比）

例如，在第一组中，我想比较第2行和第1行的

c

我想要的

组

如下所示：

('x', 0)
   a  b    c  d   result
0  x  0  100  0     3.96
1  x  0  101  0     3.96
2  x  1  105  0     3.96
('x', 1)
   a  b    c  d   result
3  x  0  110  1     9.09
4  x  1  120  1     9.09
('z', 0)
   a  b    c  d   result
5  z  0  125  0     20.0
6  z  1  100  0     20.0
7  z  1  150  0     20.0

---

定义自定义函数并使用

输出

    a   b   c   d   result
0   x   0   100 0   3.960396
1   x   0   101 0   3.960396
2   x   1   105 0   3.960396
3   x   0   110 1   9.090909
4   x   1   120 1   9.090909
5   z   0   125 0   20.000000
6   z   1   100 0   20.000000
7   z   1   150 0   20.000000

---

如果您单独需要每个组，只需使用列表理解

[func（g）for n，g in df.groupby（['a'，'d']）]

我们可以在这里执行以下操作：

应用

.pct\u change

方法计算每行的百分比变化

有条件地将

result

列的值填入

NaN

之后，用

b填充
a
或
ffill

因此，我们得到：

   a  b    c  d  result
0  x  0  100  0     NaN
1  x  0  101  0     NaN
2  x  1  105  0    3.96
3  x  0  110  1     NaN
4  x  1  120  1    9.09
5  z  0  125  0     NaN
6  z  1  100  0   20.00
7  z  1  150  0     NaN

# first we apply .pct_change to all rows
df['result'] = abs(round(df.groupby(['a', 'd', 'b']).c.pct_change() * 100, 2))

# after that we check if the value if b = 1 and the value of the row before = 0 and we fill in NaN if condition not true
df['result'] = np.where((df.b == 1) & (df.b.shift(1) == 0), df.result, np.NaN)

   a  b    c  d  result
0  x  0  100  0     NaN
1  x  0  101  0     NaN
2  x  1  105  0    3.96
3  x  0  110  1     NaN
4  x  1  120  1    9.09
5  z  0  125  0     NaN
6  z  1  100  0   20.00
7  z  1  150  0     NaN

# then backfill and forwardfill NaN
df.result.fillna(method='bfill', inplace=True)
df.result.fillna(method='ffill', inplace=True)

print(df)
   a  b    c  d  result
0  x  0  100  0    3.96
1  x  0  101  0    3.96
2  x  1  105  0    3.96
3  x  0  110  1    9.09
4  x  1  120  1    9.09
5  z  0  125  0   20.00
6  z  1  100  0   20.00
7  z  1  150  0   20.00