如何在python中获得列作为行组合？

我有以下格式的数据帧：

country region  max min
A         R1    141 86
A         R2    215 72
A         R3    473 36
B         R1    384 79
B         R2    439 88
B         R3    172 54

我正在尝试将上面的df转换为下面的输出，逻辑如下

对于A，如果第一个选项是“最大放置最大测量”，则剩余所有最小值 对于A以外的其他选项，如果第二个选项为“最大”，则输入“最大测量值”，其余为“最小值”

注意：还有其他默认选项（最小值）

country region  measure Option1 Option2
A   R1  86  min min
A   R2  72  min min
A   R3  36  min min
A   R1  86  min max
A   R2  72  min max
A   R3  36  min max
A   R1  86  min default
A   R2  72  min default
A   R3  36  min default
A   R1  86  default min
A   R2  72  default min
A   R3  36  default min
A   R1  86  default default
A   R2  72  default default
A   R3  36  default default
A   R1  86  default max
A   R2  72  default max
A   R3  36  default max
A   R1  141 max min
A   R2  215 max min
A   R3  473 max min
A   R1  141 max default
A   R2  215 max default
A   R3  473 max default
A   R1  141 max max
A   R2  215 max max
A   R3  473 max max
B   R1  79  min min
B   R2  88  min min
B   R3  54  min min
B   R1  384 min max
B   R2  439 min max
B   R3  172 min max
B   R1  79  min default
B   R2  88  min default
B   R3  54  min default
B   R1  79  default min
B   R2  88  default min
B   R3  54  default min
B   R1  79  default default
B   R2  88  default default
B   R3  54  default default
B   R1  384 default max
B   R2  439 default max
B   R3  172 default max
B   R1  79  max min
B   R2  88  max min
B   R3  54  max min
B   R1  79  max default
B   R2  88  max default
B   R3  54  max default
B   R1  384 max max
B   R2  439 max max
B   R3  172 max max

我知道有一些技巧的熔化选项可以在这里工作，但作为一个新手，无法正确地构建它

请帮忙

编辑1：

使用以下代码实现：

有人能帮我调整一下，提高性能吗

d1 = pd.melt(data, id_vars=['country','region'], value_vars=['max', 'min','default']).sort(['country','region']).reset_index(drop=True)

for ridx,i in enumerate(d1['value']):
    if pd.isnull(i):
        d1['value'].loc[ridx] = d1['value'].loc[ridx-1]
    else:
        pass

d2 = d1

from pandas import DataFrame, merge
d1['key'] = 1
d2['key'] = 1
d3 = merge(d1, d2, on='key')

d3 = d3.drop(['key'],axis=1)

for index, row in d3.iterrows():
    if d3['region_x'].loc[index] == d3['region_y'].loc[index] and d3['country_x'].loc[index] == d3['country_y'].loc[index]:
        pass
    else:
        d3 = d3.drop([index])
d3 = d3.reset_index(drop=True)

d3['rate'] = ""


for index, row in d3.iterrows():
    if d3['country_x'].loc[index] == 'A':
        d3['rate'].loc[index] = d3['value_x'].loc[index]
    else:
        d3['rate'].loc[index] = d3['value_y'].loc[index]

d3 = d3.drop(['value_x','country_y','region_y','value_y'],axis=1)

d3.columns = ['country','region','Option1','Option2','measure']
d3 = d3[['country','region','measure','Option1','Option2']]

关于，

您可以与和一起使用：

计时：

data1 = data.copy()

def old(data):
    d1 = pd.melt(data, id_vars=['country','region'], value_vars=['max', 'min','default']).sort_values(['country','region']).reset_index(drop=True)

    for ridx,i in enumerate(d1['value']):
        if pd.isnull(i):
            d1['value'].loc[ridx] = d1['value'].loc[ridx-1]
        else:
            pass
    d2 = d1
    d1['key'] = 1
    d2['key'] = 1
    d3 = pd.merge(d1, d2, on='key')

    d3 = d3.drop(['key'],axis=1)

    for index, row in d3.iterrows():
        if d3['region_x'].loc[index] == d3['region_y'].loc[index] and d3['country_x'].loc[index] == d3['country_y'].loc[index]:
            pass
        else:
            d3 = d3.drop([index])
    d3 = d3.reset_index(drop=True)

    d3['rate'] = ""

    for index, row in d3.iterrows():
        if d3['country_x'].loc[index] == 'A':
            d3['rate'].loc[index] = d3['value_x'].loc[index]
        else:
            d3['rate'].loc[index] = d3['value_y'].loc[index]

    d3 = d3.drop(['value_x','country_y','region_y','value_y'],axis=1)

    d3.columns = ['country','region','Option1','Option2','measure']
    d3 = d3[['country','region','measure','Option1','Option2']] 
    return d3    

新的解决方案快了300倍，主要是因为没有循环

iterrows（）

代码：

data1 = data.copy()

def old(data):
    d1 = pd.melt(data, id_vars=['country','region'], value_vars=['max', 'min','default']).sort_values(['country','region']).reset_index(drop=True)

    for ridx,i in enumerate(d1['value']):
        if pd.isnull(i):
            d1['value'].loc[ridx] = d1['value'].loc[ridx-1]
        else:
            pass
    d2 = d1
    d1['key'] = 1
    d2['key'] = 1
    d3 = pd.merge(d1, d2, on='key')

    d3 = d3.drop(['key'],axis=1)

    for index, row in d3.iterrows():
        if d3['region_x'].loc[index] == d3['region_y'].loc[index] and d3['country_x'].loc[index] == d3['country_y'].loc[index]:
            pass
        else:
            d3 = d3.drop([index])
    d3 = d3.reset_index(drop=True)

    d3['rate'] = ""

    for index, row in d3.iterrows():
        if d3['country_x'].loc[index] == 'A':
            d3['rate'].loc[index] = d3['value_x'].loc[index]
        else:
            d3['rate'].loc[index] = d3['value_y'].loc[index]

    d3 = d3.drop(['value_x','country_y','region_y','value_y'],axis=1)

    d3.columns = ['country','region','Option1','Option2','measure']
    d3 = d3[['country','region','measure','Option1','Option2']] 
    return d3    

---

谢谢你，耶斯雷尔。我会检查并让你知道。我这边的一个问题是，有没有一种聪明的方法来获取我们正在使用的语句d1['value']=d1['value'].fillna（method='ffill'）中的前二个值？这是因为排序顺序会干扰我的最终数据。是的，在

melt

add

data['default']=data['min']

然后删除

fillna

。然后解决方案更快-

在[73]：%timeit new（data1）100个循环，最好是每个循环3:8.06毫秒

如果我将列排序为d3=d3。排序（['country'、'Option1'、'Option2'、'region']）我以升序获得选项。但我正在寻找具体的最小顺序（所有组合）、最大顺序（全部）和默认顺序。这可能吗？很难回答，对不起。也许你可以提出新的问题。不要忘记添加示例数据、您尝试的内容（d3=d3.sort（['country'、'Option1'、'Option2'、'region']）和所需的输出。可以吗？

data1 = data.copy()

def old(data):
    d1 = pd.melt(data, id_vars=['country','region'], value_vars=['max', 'min','default']).sort_values(['country','region']).reset_index(drop=True)

    for ridx,i in enumerate(d1['value']):
        if pd.isnull(i):
            d1['value'].loc[ridx] = d1['value'].loc[ridx-1]
        else:
            pass
    d2 = d1
    d1['key'] = 1
    d2['key'] = 1
    d3 = pd.merge(d1, d2, on='key')

    d3 = d3.drop(['key'],axis=1)

    for index, row in d3.iterrows():
        if d3['region_x'].loc[index] == d3['region_y'].loc[index] and d3['country_x'].loc[index] == d3['country_y'].loc[index]:
            pass
        else:
            d3 = d3.drop([index])
    d3 = d3.reset_index(drop=True)

    d3['rate'] = ""

    for index, row in d3.iterrows():
        if d3['country_x'].loc[index] == 'A':
            d3['rate'].loc[index] = d3['value_x'].loc[index]
        else:
            d3['rate'].loc[index] = d3['value_y'].loc[index]

    d3 = d3.drop(['value_x','country_y','region_y','value_y'],axis=1)

    d3.columns = ['country','region','Option1','Option2','measure']
    d3 = d3[['country','region','measure','Option1','Option2']] 
    return d3    

def new(data):
    d1 = pd.melt(data, id_vars=['country','region'], value_vars=['max', 'min','default']).sort_values(['country','region']).reset_index(drop=True)

    #fill NaN in column value method ffill (propagate last valid observation forward to next valid)
    d1['value'] = d1['value'].fillna(method='ffill')

    d1['key'] = 1
    #you can use double d1
    d3 = pd.merge(d1, d1, on='key')
    d3 = d3.drop(['key'],axis=1)

    #filter columns by conditions - boolean indexing
    d3 = d3[(d3['region_x'] == d3['region_y']) & (d3['country_x'] == d3['country_y'])].reset_index(drop=True)

    #if condition is true get value_x else value_y
    #if neccesarry, convert to int by astype(int)
    d3['rate'] = np.where(np.in1d(d3['country_x'], 'A'), d3['value_x'],d3['value_y']).astype(int)  

    d3 = d3.drop(['value_x','country_y','region_y','value_y'],axis=1)

    d3.columns = ['country','region','Option1','Option2','measure']
    d3 = d3[['country','region','measure','Option1','Option2']]
    return d3


print old(data)
print new(data1)

print (new(data1) == old(data)).all()
country    True
region     True
measure    True
Option1    True
Option2    True
dtype: bool