Python 在具有条件增量的数据帧上使用cumcount

以数据帧为例

df = pd.DataFrame(
    [
        ['A', 1],
        ['A', 1],
        ['B', 1],
        ['B', 0],
        ['A', 0],
        ['A', 1],
        ['B', 1]
    ], columns = ['key', 'cond'])

我想为每个

键

找到一个累积（运行）计数（从1开始），只有当组中的前一个值为

cond==1时，我们才增加计数。当附加到上述数据帧时，将给出

df_result = pd.DataFrame(
    [
        ['A', 1, 1],
        ['A', 1, 2],
        ['B', 1, 1],
        ['B', 0, 2],
        ['A', 0, 3],
        ['A', 1, 3],
        ['B', 1, 2]
    ], columns = ['key', 'cond'])

请注意，每个
键
组中最后一行的
cond
值基本上没有影响

只需做一个简单的
分组
和
cumcount

df.groupby('key').cumcount()

当然，不考虑前一个元素的
cond
值。我怎样才能考虑到这一点

编辑

由于下面的一些解决方案在某些边缘情况下不起作用，我将给出一个更全面的数据框架进行测试

df = pd.DataFrame(
    [
        ['A', 0],
        ['A', 1],
        ['A', 1],
        ['B', 1],
        ['B', 0],
        ['A', 0],
        ['A', 1],
        ['B', 1],
        ['B', 0]
    ], columns = ['key', 'cond'])

当附加真实结果时，应该给出

df_result = pd.DataFrame(
    [
        ['A', 0, 1],
        ['A', 1, 1],
        ['A', 1, 2],
        ['B', 1, 1],
        ['B', 0, 2],
        ['A', 0, 3],
        ['A', 1, 3],
        ['B', 1, 2],
        ['B', 0, 3]
    ], columns = ['key', 'cond'])

与和结合使用


与自定义lambda函数一起使用，对于以前的值，如果可能的话，第一个值是每个键的
0
，最后一个值是转换为
int
，则用反填充替换第一个
NaN
：

df['new'] = df.groupby('key')['cond'].apply(lambda x: x.shift().bfill().cumsum()).astype(int)

print (df)
  key  cond  new
0   A     1    1
1   A     1    2
2   B     1    1
3   B     0    2
4   A     0    3
5   A     1    3
6   B     1    2

是的，我错过了“上一个”@CallCentreExecutive:Fixed now（可能比
apply
：P）两个groupby呼叫？是的，我不知道。在我的数据集上，这比@CallCentreeExecutive解决方案快，但在给定的
键
所有
cond
值都为0时失败，而且如果最后的
cond
值为0，则也会失败。列
cond
中只有
1
和
0
值。是的，这只是一个标志。谢谢，每个键的第一个值是否可能是
0
？是的，第一个值可能是0.OK，然后需要
b填充
当组中的第一个
cond
值为0时，这似乎不起作用。在这种情况下，它从0开始，而不是从1开始。@rwolst-因此需要始终从1开始，如果第一个是
1
或
0
？是的，始终从1开始。然后，如果我们观察到一个
cond=1
，组中的下一行将有一个更新的计数。@rwolst-然后需要coldspeed解决方案。
df
  key  cond  new
0   A     1    1
1   A     1    2
2   B     1    1
3   B     0    2
4   A     0    3
5   A     1    3
6   B     1    2

df['cnt'] = df[df["cond"]==1].groupby('key').cumcount()+1
df['cnt'] = df.groupby('key')['cnt'].fillna(method='bfill')
df
# =>   key  cond  cnt
#    0   A     1  1.0
#    1   A     1  2.0
#    2   B     1  1.0
#    3   B     0  2.0
#    4   A     0  3.0
#    5   A     1  3.0
#    6   B     1  2.0

df['new'] = df.groupby('key')['cond'].apply(lambda x: x.shift().bfill().cumsum()).astype(int)

print (df)
  key  cond  new
0   A     1    1
1   A     1    2
2   B     1    1
3   B     0    2
4   A     0    3
5   A     1    3
6   B     1    2