pandas - 在 pandas 数据框中特定条件下删除其余数据

Question

我有一个数据框，例如:

A       B       C
27.00   9.90    6.24899992
18.00   6.90    4.827007354
15.00   4.20    2.252776065
7.50    2.90    1.673376053
3.00    3.50    3.233439065
4.00    1.20    4.254737365
3.00    2.30    1.257349325
0       8.90    0.254932365
1.00    0.90    2.233293435

现在如果 A 列有 0，我想将 B 列和 C 列中的其余数据从前 5 行删除到底行，如下所示:

A       B       C
27.00   9.90    6.24899992
18.00   6.90    4.827007354
15.00   NaN     NaN
7.50    NaN     NaN
3.00    NaN     NaN
4.00    NaN     NaN
3.00    NaN     NaN
0       NaN     NaN
1.00    NaN     NaN

我的数据框的另一个示例:

A       B       C
27.00   9.90    6.24899992
18.00   6.90    4.827007354
15.00   4.20    2.252776065
7.50    2.90    1.673376053
3.00    NaN     NaN
4.00    NaN     NaN
3.00    NaN     NaN
2.80    NaN     NaN
1.00    NaN     NaN

我想要的结果是相同的数据，因为它在 A 列中没有 0，如下所示:

A       B       C
27.00   9.90    6.24899992
18.00   6.90    4.827007354
15.00   4.20    2.252776065
7.50    2.90    1.673376053
3.00    NaN     NaN
4.00    NaN     NaN
3.00    NaN     NaN
2.80    NaN     NaN
1.00    NaN     NaN

我怎样才能实现这一目标？

Answer 1

如果要在 B 和 C 列中的第一个 0 之前设置 5 个值，然后在第一个 0 到 NaN 之后设置所有值使用:

N = 5
m = df['A'] == 0

idx = next(iter(m.index[m]), df.index[-1] + 1)
print (idx)
2

#if possible less like N rows before first 0 add max
first = max(idx - N, 0)
print (first)
7

df.iloc[first:, df.columns.get_indexer(['B','C'])] = np.nan
print (df)
      A    B         C
0  27.0  9.9  6.249000
1  18.0  6.9  4.827007
2  15.0  NaN       NaN
3   7.5  NaN       NaN
4   3.0  NaN       NaN
5   4.0  NaN       NaN
6   3.0  NaN       NaN
7   0.0  NaN       NaN
8   1.0  NaN       NaN

---

如果A列中没有值0:

N = 5
m = df['A'] == 0

idx = next(iter(m.index[m]), df.index[-1] + 1)
print (idx)
9

#if possible less like N rows before first 0 add max
first = max(idx - N, 0)
print (first)
4

df.iloc[first:, df.columns.get_indexer(['B','C'])] = np.nan
print (df)
      A    B         C
0  27.0  9.9  6.249000
1  18.0  6.9  4.827007
2  15.0  4.2  2.252776
3   7.5  2.9  1.673376
4   3.0  NaN       NaN
5   4.0  NaN       NaN
6   3.0  NaN       NaN
7  10.0  NaN       NaN
8   1.0  NaN       NaN

---

第一个解决方案:

#create mask
m = df['A'] == 0

#cumulative sum of mask - return Trues for all values after first 0
m1 = m.cumsum() > 0
#counter of values above 0 with swapping order by indexing [::-1] and cumulative sum
s = m.iloc[::-1].cumsum()
#create counter and compare by 5
m2 = s.groupby(s).cumcount() < 5
#chain masks by | for bitwise OR
mask = m1 | m2.sort_index()

#set NaNs by mask
df[['B','C']] = df[['B','C']].mask(mask)
print (df)