本文介绍了如何使用 Pandas DataFrame 针对特定 Issue ID，根据其变更日期对数据进行快照处理，并根据条件更新列值。通过重塑 DataFrame 结构，分组数据，并利用前向填充和后向填充策略，可以高效地实现数据的更新和快照生成，避免了低效的逐行迭代，从而提升数据处理的效率。
Pandas DataFrame 条件更新详解
在数据分析任务中，经常需要根据某些条件更新 DataFrame 中的列值。当需要基于历史变更记录，为每个 Issue ID 创建一个时间点快照时，传统的逐行迭代方法效率较低。本文将介绍一种更高效的方法，利用 Pandas 的 pivot_table、groupby、ffill 和 bfill 函数，避免显式循环，从而提高数据处理速度。
数据准备
首先，我们需要将数据加载到 Pandas DataFrame 中。假设我们已经有了一个名为 df 的 DataFrame，其结构如下：
import pandas as pd
data = {'Issue_Id': [101, 101, 101, 101, 101, 101, 101, 102, 102, 102, 102, 102],
'Due_Date': ['1/31/2023', '1/31/2023', '1/31/2023', '1/31/2023', '1/31/2023', '1/31/2023', '1/31/2023', '2/28/2023', '2/28/2023', '2/28/2023', '2/28/2023', '2/28/2023'],
'status': ['closed', 'closed', 'closed', 'closed', 'closed', 'closed', 'closed', 'closed', 'closed', 'closed', 'closed', 'closed'],
'estimation_hour': [40, 40, 40, 40, 40, 40, 40, 50, 50, 50, 50, 50],
'changed_date': ['1/10/2023', '1/15/2023', '1/16/2023', '1/16/2023', '1/20/2023', '1/25/2023', '1/30/2023', '1/10/2023', '1/15/2023', '1/20/2023', '1/25/2023', '1/30/2023'],
'changed_parameter': ['status', 'estimation_hour', 'estimation_hour', 'Due_Date', 'status', 'estimation_hour', 'status', 'status', 'estimation_hour', 'status', 'estimation_hour', 'status'],
'old_value': ['Defined', '0', '20', '1/20/2023', 'Accepted', '30', 'InProgress', 'Defined', '0', 'Accepted', '30', 'InProgress'],
'new_value': ['Accepted', '20', '30', '1/31/2023', 'InProgress', '40', 'Closed', 'Accepted', '30', 'InProgress', '50', 'Closed']}
df = pd.DataFrame(data)实现步骤
以下是实现目标结果的具体步骤：
-
数据透视 (Pivot)：使用 pivot_table 函数将 changed_parameter 转换为列，并将 old_value 和 new_value 作为值。
upd_values = (df.pivot_table(index=df.index, columns='changed_parameter', values=['old_value', 'new_value'], aggfunc='first')) -
按 Issue_Id 分组 (Groupby)：使用 groupby 函数按 Issue_Id 对数据进行分组。
upd_values = upd_values.groupby(df['Issue_Id'])
-
值更新函数 (Update Values Function)：定义一个函数，使用 ffill (前向填充) 和 bfill (后向填充) 来更新 new_value 列，并处理缺失值。
def update_values(df): return df['new_value'].ffill().fillna(df['old_value'].bfill()) upd_values = upd_values.apply(update_values) -
移除层级 (Drop Level)：移除 Issue_Id 的层级。
upd_values = upd_values.droplevel('Issue_Id') -
填充缺失值 (Fill NaNs)：使用原始 DataFrame 的值填充缺失值。
upd_values = upd_values.fillna(df)
-
更新 DataFrame (Update DataFrame)：将更新后的值赋回原始 DataFrame。
df[upd_values.columns] = upd_values
完整代码
将以上步骤整合，得到完整的代码如下：
import pandas as pd
def update_values(df):
return df['new_value'].ffill().fillna(df['old_value'].bfill())
upd_values = (df.pivot_table(index=df.index, columns='changed_parameter',
values=['old_value', 'new_value'], aggfunc='first')
.groupby(df['Issue_Id']).apply(update_values)
.droplevel('Issue_Id').fillna(df))
df[upd_values.columns] = upd_values代码解释
- pivot_table：将长格式的数据转换为宽格式，方便后续按列进行填充操作。
- groupby：将相同 Issue_Id 的数据聚合在一起，保证填充操作在每个 Issue ID 内部进行。
- ffill：沿着列的方向，用前一个有效值填充缺失值。这保证了在每次变更后，后续的行都会使用最新的值。
- bfill：沿着列的方向，用后一个有效值填充缺失值。用于初始状态的填充。
- fillna(df)：用原始 DataFrame 的值填充剩余的缺失值，确保所有单元格都有值。
结果展示
运行以上代码后，DataFrame df 将被更新为目标状态，展示了每个 Issue ID 在每次变更日期时的快照。
总结与注意事项
通过使用 pivot_table、groupby、ffill 和 bfill 函数，我们避免了低效的逐行迭代，从而实现了高效的 DataFrame 条件更新。这种方法不仅提高了代码的执行效率，还使代码更加简洁易懂。
注意事项：
- 确保数据已按照 changed_date 排序，以保证 ffill 和 bfill 的正确性。
- 理解 pivot_table 的作用，它是将数据从长格式转换为宽格式的关键步骤。
- 根据实际情况调整 fillna 的参数，以满足不同的数据处理需求。
通过本文的学习，读者可以掌握一种高效的 Pandas DataFrame 条件更新方法，并将其应用到实际的数据分析任务中。
