python - 具有基于索引的限制的前向填充列

Question

我想向前填充一列并且我想指定一个限制，但我希望限制基于索引---而不是像限制允许的简单行数。

例如，假设我有以下数据框:

df = pd.DataFrame({
    'data': [0.0, 1.0, np.nan, 3.0, np.nan, 5.0, np.nan, np.nan, np.nan, np.nan],
    'group': [0, 0, 0, 1, 1, 0, 0, 0, 1, 1]
})

看起来像

In [27]: df
Out[27]:
   data  group
0   0.0      0
1   1.0      0
2   NaN      0
3   3.0      1
4   NaN      1
5   5.0      0
6   NaN      0
7   NaN      0
8   NaN      1
9   NaN      1

如果我按 group 列进行分组并使用 limit=2 向前填充该组，那么我得到的数据框将是

In [35]: df.groupby('group').ffill(limit=2)
Out[35]:
   group  data
0      0   0.0
1      0   1.0
2      0   1.0
3      1   3.0
4      1   3.0
5      0   5.0
6      0   5.0
7      0   5.0
8      1   3.0
9      1   NaN

然而，我在这里真正想做的只是向前填充索引在每组第一个索引的 2 以内的行，而不是每组的下 2 行。例如，如果我们只查看数据框上的组:

In [36]: for i, group in df.groupby('group'):
    ...:     print(group)
    ...:
   data  group
0   0.0      0
1   1.0      0
2   NaN      0
5   5.0      0
6   NaN      0
7   NaN      0
   data  group
3   3.0      1
4   NaN      1
8   NaN      1
9   NaN      1

我希望此处的第二组仅向前填充到索引 4---而不是 8 和 9。第一组的 NaN 值都在最后一个非 NaN 值的 2 个索引内，因此它们将被完全填充.生成的数据框如下所示:

   group  data
0      0   0.0
1      0   1.0
2      0   1.0
3      1   3.0
4      1   3.0
5      0   5.0
6      0   5.0
7      0   5.0
8      1   NaN
9      1   NaN

FWIW 在我的实际用例中，我的索引是 DateTimeIndex(并且已排序)。

我目前有一个可行的解决方案，需要遍历在组索引上过滤的数据帧，根据索引为每个具有非 NaN 值的事件创建一个时间范围，然后将它们组合起来。但这太慢了，不实用。

Answer 1

import numpy as np
import pandas as pd
df = pd.DataFrame({
    'data': [0.0, 1.0, 1, 3.0, np.nan, 22, np.nan, 5, np.nan, np.nan],
    'group': [0, 0, 1, 0, 1, 0, 1, 0, 1, 1]})

df = df.reset_index()
df['stop_index'] = df['index'] + 2
df['stop_index'] = df['stop_index'].where(pd.notnull(df['data']))
df['stop_index'] = df.groupby('group')['stop_index'].ffill()
df['mask'] = df['index'] <= df['stop_index']
df.loc[df['mask'], 'data'] = df.groupby('group')['data'].ffill()
print(df)
#    index  data  group  stop_index   mask
# 0      0   0.0      0         2.0   True
# 1      1   1.0      0         3.0   True
# 2      2   1.0      1         4.0   True
# 3      3   3.0      0         5.0   True
# 4      4   1.0      1         4.0   True
# 5      5  22.0      0         7.0   True
# 6      6   NaN      1         4.0  False
# 7      7   5.0      0         9.0   True
# 8      8   NaN      1         4.0  False
# 9      9   NaN      1         4.0  False

# clean up df
df = df[['data', 'group']]
print(df)

产量

   data  group
0   0.0      0
1   1.0      0
2   1.0      1
3   3.0      0
4   1.0      1
5  22.0      0
6   NaN      1
7   5.0      0
8   NaN      1
9   NaN      1

---

这会将索引复制到列中，然后 创建第二个 stop_index 列，该列是 index 增加的大小 (时间)窗口。

df = df.reset_index()
df['stop_index'] = df['index'] + 2

然后它使 stop_index 中的空行匹配 data 中的空行:

df['stop_index'] = df['stop_index'].where(pd.notnull(df['data']))

然后它在每个组的基础上向前填充 stop_index:

df['stop_index'] = df.groupby('group')['stop_index'].ffill()

现在(最后)我们可以定义所需的掩码——我们实际想要前向填充数据的地方:

df['mask'] = df['index'] <= df['stop_index']
df.loc[df['mask'], 'data'] = df.groupby('group')['data'].ffill()