我在下面的數(shù)據(jù)框和代碼列表中包含發(fā)票相關(guān)數(shù)據(jù)df = pd.DataFrame({ 'invoice':[1,1,2,2,2,3,3,3,4,4,4,5,5,6,6,6,7], 'code':[101,104,105,101,106,106,104,101,104,105,111,109,111,110,101,114,112], 'qty':[2,1,1,3,2,4,7,1,1,1,1,4,2,1,2,2,1]})+---------+------+-----+| invoice | code | qty |+---------+------+-----+| 1 | 101 | 2 |+---------+------+-----+| 1 | 104 | 1 |+---------+------+-----+| 2 | 105 | 1 |+---------+------+-----+| 2 | 101 | 3 |+---------+------+-----+| 2 | 106 | 2 |+---------+------+-----+| 3 | 106 | 4 |+---------+------+-----+| 3 | 104 | 7 |+---------+------+-----+| 3 | 101 | 1 |+---------+------+-----+| 4 | 104 | 1 |+---------+------+-----+| 4 | 105 | 1 |+---------+------+-----+| 4 | 111 | 1 |+---------+------+-----+| 5 | 109 | 4 |+---------+------+-----+| 5 | 111 | 2 |+---------+------+-----+| 6 | 110 | 1 |+---------+------+-----+| 6 | 101 | 2 |+---------+------+-----+| 6 | 114 | 2 |+---------+------+-----+| 7 | 104 | 2 |+---------+------+-----+代碼列表是，Soda = [101,102]Hot = [103,109]Juice = [104,105]Milk = [106,107,108]Dessert = [110,111]category我的任務(wù)是根據(jù)下面指定的添加一個新列Order of Priority。優(yōu)先級第一：如果任何發(fā)票的數(shù)量超過 10 個，則應(yīng)分類為Mega。例如：qty總和invoice 3 is 12優(yōu)先事項 2：來自rest of the invoice. 如果列表中有任何code一個，則類別應(yīng)該是。例如： 在是 在 中。因此，完整發(fā)票被分類為。無論發(fā)票中是否存在其他項目 ( )。由于優(yōu)先級適用于發(fā)票。invoiceMilkHealthyinvoice 2 code 106MilkHealthycode 101 & 105full優(yōu)先級No.3：從 中rest of the invoice，如果其中任何一個code在invoice列表中Juice，那么這有2 parts(3.1) 如果該果汁數(shù)量的總和為equal to 1，則類別應(yīng)為OneJuice。例如：invoice 1具有code 104和qty 1.thisinvoice 1將得到，OneJuice無論code 101發(fā)票中是否存在其他項目 ( )。由于優(yōu)先級適用于full發(fā)票。(3.2) 如果該果汁數(shù)量的總和為greater than 1，則類別應(yīng)為ManyJuice。例如：invoice 4有code 104 & 105 和qty 1 + 1 = 2。優(yōu)先級4：從 中rest of the invoice，如果任何code發(fā)票在Hot列表中，則應(yīng)將其分類為HotLovers。無論發(fā)票中是否包含其他項目。優(yōu)先級No.5：從 中rest of the invoice，如果任何code發(fā)票在Dessert列表中，則應(yīng)將其分類為DessertLovers。最后，其余所有發(fā)票應(yīng)歸類為Others。
1 回答
天涯盡頭無女友
TA貢獻1831條經(jīng)驗 獲得超9個贊
您可以嘗試使用np.select
df['category'] = np.select([
? ? df.groupby('invoice')['qty'].transform('sum') >= 10,
? ? df['code'].isin(Milk).groupby(df.invoice).transform('any'),
? ? (df['qty']*df['code'].isin(Juice)).groupby(df.invoice).transform('sum') == 1,
? ? (df['qty']*df['code'].isin(Juice)).groupby(df.invoice).transform('sum') > 1,
? ? df['code'].isin(Hot).groupby(df.invoice).transform('any'),
? ? df['code'].isin(Dessert).groupby(df.invoice).transform('any')
],
? ? ['Mega','Healthy','OneJuice','ManyJuice','HotLovers','DessertLovers'],
? ? 'Other'
)
print(df)
輸出
? ? invoice? code? qty? ? ? ?category
0? ? ? ? ?1? ?101? ? 2? ? ? ?OneJuice
1? ? ? ? ?1? ?104? ? 1? ? ? ?OneJuice
2? ? ? ? ?2? ?105? ? 1? ? ? ? Healthy
3? ? ? ? ?2? ?101? ? 3? ? ? ? Healthy
4? ? ? ? ?2? ?106? ? 2? ? ? ? Healthy
5? ? ? ? ?3? ?106? ? 4? ? ? ? ? ?Mega
6? ? ? ? ?3? ?104? ? 7? ? ? ? ? ?Mega
7? ? ? ? ?3? ?101? ? 1? ? ? ? ? ?Mega
8? ? ? ? ?4? ?104? ? 1? ? ? ManyJuice
9? ? ? ? ?4? ?105? ? 1? ? ? ManyJuice
10? ? ? ? 4? ?111? ? 1? ? ? ManyJuice
11? ? ? ? 5? ?109? ? 4? ? ? HotLovers
12? ? ? ? 5? ?111? ? 2? ? ? HotLovers
13? ? ? ? 6? ?110? ? 1? DessertLovers
14? ? ? ? 6? ?101? ? 2? DessertLovers
15? ? ? ? 6? ?114? ? 2? DessertLovers
16? ? ? ? 7? ?104? ? 2? ? ? ManyJuice
微基準(zhǔn)測試
pd.show_versions()
commit? ? ? ? ? ?: None
python? ? ? ? ? ?: 3.7.5.final.0
python-bits? ? ? : 64
OS? ? ? ? ? ? ? ?: Linux
OS-release? ? ? ?: 4.4.0-18362-Microsoft
machine? ? ? ? ? : x86_64
processor? ? ? ? : x86_64
byteorder? ? ? ? : little
LC_ALL? ? ? ? ? ?: None
LANG? ? ? ? ? ? ?: C.UTF-8
LOCALE? ? ? ? ? ?: en_US.UTF-8
pandas? ? ? ? ? ?: 0.25.3
numpy? ? ? ? ? ? : 1.17.4
數(shù)據(jù)創(chuàng)建于
def make_data(n):
? ? ?return pd.DataFrame({
? ? 'invoice':np.arange(n)//3,
? ? 'code':np.random.choice(np.arange(101,112),n),
? ? 'qty':np.random.choice(np.arange(1,8), n, p=[10/25,10/25,1/25,1/25,1/25,1/25,1/25])
})
結(jié)果
perfplot.show(
? ? setup=make_data,
? ? kernels=[get_category, get_with_np_select],
? ? n_range=[2**k for k in range(8, 20)],
? ? logx=True,
? ? logy=True,
? ? equality_check=False,
? ? xlabel='len(df)')
添加回答
舉報
0/150
提交
取消