Python 如何识别每个id的不完整详细信息？

我有以下数据框：

emp_id  male    female   Month_Year
423       0       0      March-2016
423       0       0      April-2016 
423       0       1      May-2016
423       0       1      June-2016

789       1       0      June-2017
789       1       0      July-2017
789       1       0      August-2017
789       0       0      September-2017

856       1       0      March-2018
856       1       0      April-2018

987       0       1      June-2019
987       0       1      July-2019
987       0       1      August-2019

mask = (df.assign(zeros=df['male'].eq(0))
          .groupby('emp_id')[['male', 'zeros']]
          .transform('sum')
          .all(axis=1))
df1 = df[mask]
print (df1)

mask = (df.assign(zeros=df['female'].eq(0))
          .groupby('emp_id')[['female', 'zeros']]
          .transform('sum')
          .all(axis=1))
df2 = df[mask]
print (df2)

请注意

男性

和

女性

列中的值如下所述：

1 - "Yes"
0 - "No"

我需要这样的东西

预期数据帧：

emp_id  male    female   Month_Year
423       0       0      March-2016
423       0       0      April-2016 
423       0       1      May-2016
423       0       1      June-2016

789       1       0      June-2017
789       1       0      July-2017
789       1       0      August-2017
789       0       0      September-2017

856       1       0      March-2018
856       1       0      April-2018

987       0       1      June-2019
987       0       1      July-2019
987       0       1      August-2019

mask = (df.assign(zeros=df['male'].eq(0))
          .groupby('emp_id')[['male', 'zeros']]
          .transform('sum')
          .all(axis=1))
df1 = df[mask]
print (df1)

mask = (df.assign(zeros=df['female'].eq(0))
          .groupby('emp_id')[['female', 'zeros']]
          .transform('sum')
          .all(axis=1))
df2 = df[mask]
print (df2)

请注意，

Var

列中的值如下所示：

1 - "the gender details are not missing"
0 - "the gender details are missing"

另外，请注意，一个emp\u id可以是男性也可以是女性，但不能同时是男性和女性。

如果在

男性

和

女性

列中观察到

对于

emp_id 423

，前两行没有性别详细信息。所以我在Var列中给出的值是零

对于

emp_id 789

，最后一行缺少性别详细信息。所以我在Var列中提到了零

对于

emp_id 856和987

，在特定时期内不缺少性别详细信息。所以我在Var列中给出一个值

我使用了以下代码：

emp_id  male    female   Month_Year
423       0       0      March-2016
423       0       0      April-2016 
423       0       1      May-2016
423       0       1      June-2016

789       1       0      June-2017
789       1       0      July-2017
789       1       0      August-2017
789       0       0      September-2017

856       1       0      March-2018
856       1       0      April-2018

987       0       1      June-2019
987       0       1      July-2019
987       0       1      August-2019

mask = (df.assign(zeros=df['male'].eq(0))
          .groupby('emp_id')[['male', 'zeros']]
          .transform('sum')
          .all(axis=1))
df1 = df[mask]
print (df1)

mask = (df.assign(zeros=df['female'].eq(0))
          .groupby('emp_id')[['female', 'zeros']]
          .transform('sum')
          .all(axis=1))
df2 = df[mask]
print (df2)

上述代码的输出：

emp_id  male    female   Month_Year
423       0       0      March-2016
423       0       0      April-2016 
423       0       1      May-2016
423       0       1      June-2016

789       1       0      June-2017
789       1       0      July-2017
789       1       0      August-2017
789       0       0      September-2017

856       1       0      March-2018
856       1       0      April-2018

987       0       1      June-2019
987       0       1      July-2019
987       0       1      August-2019

mask = (df.assign(zeros=df['male'].eq(0))
          .groupby('emp_id')[['male', 'zeros']]
          .transform('sum')
          .all(axis=1))
df1 = df[mask]
print (df1)

mask = (df.assign(zeros=df['female'].eq(0))
          .groupby('emp_id')[['female', 'zeros']]
          .transform('sum')
          .all(axis=1))
df2 = df[mask]
print (df2)

通过使用上述代码，我能够捕获emp_id，该id在男性和女性列中分别缺少详细信息

是否有其他方法可以一次比较两个列（男性和女性），并表示Var列中缺少的详细信息

因此，请让我知道解决方案：

提前谢谢

试试这个：

df['var']  =  (df.male + df.female).groupby(df.emp_id).transform('min')

In [39]: df
Out[39]:
    emp_id  male  female      Month_Year  var
0      423     0       0      March-2016    0
1      423     0       0      April-2016    0
2      423     0       1        May-2016    0
3      423     0       1       June-2016    0
4      789     1       0       June-2017    0
5      789     1       0       July-2017    0
6      789     1       0     August-2017    0
7      789     0       0  September-2017    0
8      856     1       0      March-2018    1
9      856     1       0      April-2018    1
10     987     0       1       June-2019    1
11     987     0       1       July-2019    1
12     987     0       1     August-2019    1

---

非常感谢你！这正是我要找的。@Shashidhar:不客气。很高兴我能帮忙：）