本文介绍一种基于布尔掩码、`shift()` 和前向/后向填充的高效方法，用于在分组数据中识别 `column_1` 达到指定阈值（如 5）时，其上升沿前首个非零起点与下降沿后首个归零点对应的 `column_2` 值，并分别写入 `before` 和 `after` 列。
在时间序列或过程数据处理中，常需提取“事件触发点”（如某列达到关键阈值）前后特定状态下的观测值。本例中，目标是：对每个 ID 组，当 column_1 首次升至 5（即 column_1 == 5 的行），找出该峰值之前最近一次从 0 → 非零 转变时刻对应的 column_2 值（记为 Before），以及之后最近一次从 非零 → 0 转变时刻对应的 column_2 值（记为 After）。
核心逻辑在于精准捕捉状态跃迁点：
- 上升沿检测：column_1 > 0 且前一行 column_1 == 0 → 使用 col1.gt(0) & col1.shift(fill_value=0).eq(0)
- 下降沿检测：column_1 == 0 且前一行 column_1 > 0 → 使用 col1.eq(0) & col1.shift().gt(0)
借助 where() 将非跃迁点置为 NaN，再通过 ffill()（前向填充）使 Before 值“传播”至后续首个 column_1 == 5 行；同理用 backfill() 使 After 值“反向传播”至前一个 column_1 == 5 行。
以下是完整实现代码（支持多 ID 分组）：
import pandas as pd
import numpy as np
# 初始化 Before/After 列为 0（保持整型，避免 dtype 混合）
df[["Before", "After"]] = 0
def assign_before_after(group):
col1 = group["column_1"]
col2 = group["column_2"]
is_peak = col1 == 5
# 上升沿：当前 >0 且上一行为 0（首行用 fill_value=0 处理）
rise_mask = col1.gt(0) & col1.shift(fill_value=0).eq(0)
# 下降沿：当前 ==0 且上一行为 >0
fall_mask = col1.eq(0) & col1.shift().gt(0)
# 提取跃迁点 column_2 值，其余为 NaN
before_vals = col2.where(rise_mask)
after_vals = col2.where(fall_mask)
# 前向填充：使 Before 值覆盖到下一个 peak 行
before_filled = before_vals.ffill()
# 后向填充：使 After 值覆盖到上一个 peak 行
after_filled = after_vals.bfill()
# 仅在 peak 行赋值，其余保持 0
group.loc[is_peak, "Before"] = before_filled[is_peak]
group.loc[is_peak, "After"] = after_filled[is_peak]
return group
# 按 ID 分组应用
df = df.groupby("ID", group_keys=False).apply(assign_before_after)✅ 关键注意事项：
- shift(fill_value=0) 确保首行能被正确识别为上升起点（若首行为非零，则 rise_mask 为 False，符合题设“若以非零开始，取首行 column_2”的补充逻辑——但本解法默认首行为 0；如需严格支持首行非零场景，可额外添加 group.iloc[0] 判断分支）；
- ffill() / bfill() 作用于整个组内序列，天然适配多次峰谷场景；
- 初始化为 0 而非 NaN，既满足题目“其余填 0”的要求，又避免类型转换开销；
- 若存在多个 column_1 == 5 的行，每行都会独立匹配其最近的上升/下降沿，行为可预测。
最终输出严格对齐预期：Before 和 After 仅在 column_1 == 5 的行有有效值，其余为 0，且按 ID 独立计算，无跨组干扰。
