Python 查找熊猫系列或数据帧中最后一个真值的索引

我试图找到布尔级数中最后一个真值的索引。我当前的代码如下所示。有没有更快更干净的方法

import numpy as np
import pandas as pd
import string

index = np.random.choice(list(string.ascii_lowercase), size=1000)
df = pd.DataFrame(np.random.randn(1000, 2), index=index)
s = pd.Series(np.random.choice([True, False], size=1000), index=index)

last_true_idx_s = s.index[s][-1]
last_true_idx_df = df[s].iloc[-1].name

使用：

获取第一个True。在反转系列上使用argmax：

在这里：

您可以使用与Andy Hayden相同的内容：

比较：

这些计时将非常依赖于s的大小以及True的数量（和位置）

编辑：

下一个解决方案：

print s[s==True].index[-1]

编辑1：解决方案

(s[s==True].index.tolist()[-1])

---

已在删除的答案中。

我得到

1000个循环的计时，每个循环的最佳时间为3:638µs 1000个循环，每个循环的最佳时间为3:284µs

比较我的方法和你的方法+1@EdChum有一件事有点烦人，那就是反转会创建一个拷贝（IIUC）。。。你可以直接使用数值并使用numpy反转视图，它可能会稍微快一点（但我的可读性要差得多），本质上是O（1）。@我想现在还不清楚为什么

argmax

会在这里工作，但它会更快，这通常是计数EAH，最坏情况下是O（n）和短路。但它确实看起来更神奇（不太具描述性）。idxmax不是同样的方法吗？你怎么看？为什么它们中的一些没有从熊猫身上移除？我很好奇。我认为以前的情况是

np.argmax

（因此

.argmax

）会落入pandas

.values

numpy数组，即不返回序列。现在

np.argmax

返回一个序列。由您决定，不过我想说的是，对于未来的答案：您应该将它调用的时间分开（这样更容易看到哪个调用的答案）。：）这就是说，这些计时将非常依赖于s的大小以及True的数量（和位置）。为什么最慢和最快的运行之间存在如此大的差异？这是最好的解决方案。我认为

last\u valid\u index

比

idxmax

更清晰。我认为这种行为并不是故意的：“如果所有元素都不是NA/null，则返回None。”

False

是非null的。

In [12]: s.tail()
Out[12]:
n     True
e     True
k    False
d    False
l    False
dtype: bool

print s[::-1].idxmax()

In [2]: %timeit s.index[s][-1]
The slowest run took 6.92 times longer than the fastest. This could mean that an intermediate result is being cached 
10000 loops, best of 3: 35 µs per loop

In [3]: %timeit s[::-1].argmax()
The slowest run took 6.67 times longer than the fastest. This could mean that an intermediate result is being cached 
10000 loops, best of 3: 126 µs per loop

In [4]: %timeit s[::-1].idxmax()
The slowest run took 6.55 times longer than the fastest. This could mean that an intermediate result is being cached 
10000 loops, best of 3: 127 µs per loop

In [5]: %timeit s[s==True].last_valid_index()
The slowest run took 8.10 times longer than the fastest. This could mean that an intermediate result is being cached 
1000 loops, best of 3: 261 µs per loop

In [6]: %timeit (s[s==True].index.tolist()[-1])
The slowest run took 6.11 times longer than the fastest. This could mean that an intermediate result is being cached 
1000 loops, best of 3: 239 µs per loop

In [7]: %timeit (s[s==True].index[-1])
The slowest run took 5.75 times longer than the fastest. This could mean that an intermediate result is being cached 
1000 loops, best of 3: 227 µs per loop

print s[s==True].index[-1]

(s[s==True].index.tolist()[-1])