python - 如何通过 ID 保留第一个条目？ Pandas python

Question

pk_cid 表示客户端 ID 每个pk_partition代表em_acount(即已售出的产品)当​​月的当前状态。因此，如果客户在一月份有 1 个，在二月份也有 1 个，则意味着他在一月份只购买过一次。如果上个月为 1，我想将其余月份更改为 0，以准确查看人们只购买第一个月份的时间。

如果有可能，另一方面，如果一个人留下 -1

This is what i have

你可以创建一个pandas.Series:

a = pd.Series({(15891, '2018-07-28'): 1,
 (15891, '2018-08-28'): 0,
 (16063, '2018-11-28'): 0,
 (16063, '2018-12-28'): 0,
 (16063, '2019-01-28'): 0,
 (16063, '2019-02-28'): 0,
 (16063, '2019-03-28'): 0,
 (16063, '2019-04-28'): 0,
 (16063, '2019-05-28'): 0,
 (16203, '2018-12-28'): 0,
 (16203, '2019-01-28'): 1,
 (16203, '2019-02-28'): 1,
 (16203, '2019-03-28'): 1,
 (16203, '2019-04-28'): 1,
 (16203, '2019-05-28'): 1,
 (16502, '2018-09-28'): 0,
 (16502, '2018-10-28'): 1,
 (16502, '2018-11-28'): 1,
 (16502, '2018-12-28'): 1,
 (16502, '2019-01-28'): 1})

所需输出

enter image description here

谢谢

Answer 1

对索引进行排序，然后 groupby user_id获取 pct_change 如果更改为 <= 0，则将值设置为 0 :

serie = pd.Series( {(15891, '2018-07-28'): 1, (15891, '2018-08-28'): 0,
                    (16063, '2018-11-28'): 0, (16063, '2018-12-28'): 0,
                    (16063, '2019-01-28'): 0, (16063, '2019-02-28'): 0, 
                    (16063, '2019-03-28'): 0, (16063, '2019-04-28'): 0, 
                    (16063, '2019-05-28'): 0, (16203, '2018-12-28'): 0, 
                    (16203, '2019-01-28'): 1, (16203, '2019-02-28'): 1, 
                    (16203, '2019-03-28'): 1, (16203, '2019-04-28'): 1, 
                    (16203, '2019-05-28'): 1, (16502, '2018-09-28'): 0, 
                    (16502, '2018-10-28'): 1, (16502, '2018-11-28'): 1, 
                    (16502, '2018-12-28'): 1, (16502, '2019-01-28'): 1})

serie.sort_index(inplace=True)
serie [serie.groupby(level=0).pct_change() <= 0 ] = 0
serie

# 15891 2018-07-28 1
#       2018-08-28 0
# 16063 2018-11-28 0
#       2018-12-28 0
#       2019-01-28 0
#       2019-02-28 0
#       2019-03-28 0
#       2019-04-28 0
#       2019-05-28 0
# 16203 2018-12-28 0
#       2019-01-28 1
#       2019-02-28 0
#       2019-03-28 0
#       2019-04-28 0
#       2019-05-28 0
# 16502 2018-09-28 0
#       2018-10-28 1
#       2018-11-28 0
#       2018-12-28 0
#       2019-01-28 0