Python 如何在数据帧中创建显示上次记录峰值的列？

我正在尝试创建一个新的列，该列将列出上次记录的峰值，直到出现下一个峰值。例如，假设这是我现有的数据帧：

index values
0      10
1      20
2      15
3      17
4      15
5      22
6      20

我想得到这样的东西：

index values last_recorded_peak
0      10        10
1      20        20
2      15        20
3      17        17
4      15        17
5      22        22
6      20        22

到目前为止，我已经尝试了np.max.acculate，它“累积”了最大值，但不完全是“峰值”（有些峰值可能低于最大值）

我还尝试了使用scipy.signal.find_peaks，它返回一个索引数组，在我的峰值所在的位置（在示例中，索引1、3、5），这不是我想要的

---

我是一个比较新的编码，任何指针都非常感谢

你走在正确的轨道上，这就是我要走的路，你只需要从结果中做一点工作：

from scipy import signal
peaks = signal.find_peaks(df['values'])[0]

df['last_recorded_peak'] = (df.assign(last_recorded_peak=float('nan'))
                              .last_recorded_peak
                              .combine_first(df.loc[peaks,'values'])
                              .ffill()
                              .combine_first(df['values']))

---

---

如果我正确理解你的意思，那么你正在寻找：

注意：对于示例数据帧，您可能需要使用我在

2

上设置的

窗口大小

输出

   values  last_recorded_peak
0      10                10.0
1      20                20.0
2      15                20.0
3      17                17.0
4      15                17.0
5      22                22.0
6      20                22.0

第3行变回17这一事实的逻辑是什么？索引3中17处的值“峰值”。。指数2和指数4给出了15，这使得指数3成为价值序列中的峰值。我查阅了关于“滚动”的信息，但我的峰值可能没有以特定的间隔整齐地隔开，但还是要感谢！欢迎@qwerty123别忘了你可以投票和接受答案，看看你是否可以对本节中的所有组件做一个简单的解释：（df.assign（last_recorded_peak=float（'nan'））.last_recorded_peak.combined_first（df.loc[peaks，'values'））.ffill（）.combine_first（df['values']）“部分。我感觉您首先将新创建的列中的所有值指定给'NaN'，然后在'peaks'所在的'values'中填充'values'，但最后一部分除外。ffill（）.combine_first（df['values']）“我似乎无法理解，
combine_first
是一种在存在NaN（匹配索引）的列中添加值的简单方法。因此第一个是从
df.loc[peaks，'values']
分配值。你会看到南边和相应的山峰。然后你向前填充。初始值（在第一个峰值之前）仍为NaN。这就是剩余联合收割机的用途（首先：）@qwerty123
df['last_recorded_peak'] = df['values'].rolling(2).max().fillna(df['values'])

   values  last_recorded_peak
0      10                10.0
1      20                20.0
2      15                20.0
3      17                17.0
4      15                17.0
5      22                22.0
6      20                22.0