Python 使用np.argwhere对数据帧中缺少的值进行计数

我有这样的e数据帧：

RTD I
0 BA 32
1 BA 15
2 BA 22
3 BA 75
4 BA 28
5 BA 32
6 BA 7

现在，我要计算连续的最小行数和最大行数，其中32行数不存在

代码为（参考：@MaxU）：

len（x）-np.argwhere（x.I==32.max（）-1
out=1（正确）

len（x）-np.argwhere（x.I==32.min（）-1
Out=6（这是错误的，因为结果应该是4 我找到的解决方案是：

import pandas as pd
import numpy as np


df = pd.DataFrame({'RTD': ['BA']*7, 'I': [32, 15, 22, 75, 28, 32, 7]})
print (df )

用于计算最大e最小延迟：

---

如果索引的顺序为0到n-1，则只能选择值32，然后取索引的第一个差值

np.diff(np.append(-2, df.query('I==32').index.values)) -1

---

我不理解第一个值，但这应该会让您非常接近。

这是一个有点健壮的解决方案，但它是有效的。我包含了完整的代码，所以如果我误解了某些内容，您可以纠正我：

import pandas as pd
import numpy as np

df = pd.DataFrame({'RTD': ['BA']*7, 'I': [32, 15, 22, 75, 28, 32, 7]})
occurrences = df[df['I'] == 32].min(axis=1).index.values
max_diff = 0
for i in range(len(occurrences)-1):
    curr_diff = occurrences[i + 1] - occurrences[i] - 1
    if  curr_diff > max_diff:
        max_diff = curr_diff

min_diff = len(df['I'])
occurrences = np.append(occurrences, min_diff - 1)

for i in range(len(occurrences)-1):
    curr_diff = occurrences[i + 1] - occurrences[i]
    if  curr_diff < min_diff:
        min_diff = curr_diff

将熊猫作为pd导入
将numpy作为np导入
df=pd.DataFrame（{'RTD'：['BA']*7，'I'：[32,15,22,75,28,32,7]}）
事件数=df[df['I']==32].min（轴=1）.index.values
最大差值=0
对于范围内的i（len（出现次数）-1）：
curr_diff=出现次数[i+1]-出现次数[i]-1
如果当前差异>最大差异：
最大差值=当前差值
最小差值=len（df['I']）
引用=np.append（引用，最小差异-1）
对于范围内的i（len（出现次数）-1）：
curr_diff=出现次数[i+1]-出现次数[i]
如果当前差异<最小差异：
最小差异=当前差异

您所说的“计算缺失的最短和最长时间”是什么意思？没有缺失值。向下滚动列的数字32出现在位置0和5。如果没有数字32，我将计算连续行的最大值，如果没有数字32，则计算连续行的最小值。AttributeError:'Int64Index'对象没有属性'diff'我的错误。索引没有差异。使用numpy diff functionHi。解决这个问题非常困难。可能需要一个基于len of index的循环，条件为true。不，不需要循环。上面的代码符合我理解的问题。@Andreas现在检查一下。我没有o将-2追加到数组的前面，以获得与您匹配的第一个值。@Andreas我认为这段代码涵盖了您的问题，即事件之间的最小和最大延迟。哪一部分看起来不合适？

import pandas as pd
import numpy as np

df = pd.DataFrame({'RTD': ['BA']*7, 'I': [32, 15, 22, 75, 28, 32, 7]})
occurrences = df[df['I'] == 32].min(axis=1).index.values
max_diff = 0
for i in range(len(occurrences)-1):
    curr_diff = occurrences[i + 1] - occurrences[i] - 1
    if  curr_diff > max_diff:
        max_diff = curr_diff

min_diff = len(df['I'])
occurrences = np.append(occurrences, min_diff - 1)

for i in range(len(occurrences)-1):
    curr_diff = occurrences[i + 1] - occurrences[i]
    if  curr_diff < min_diff:
        min_diff = curr_diff