我有一个名为df1
的pandas数据框,其MultiIndex由user_id
值和start_date
、end_date
IntervalIndex组成。 我希望根据第二个名为df2
的数据框中相应的值选择来自df1
的行。
数据框df1
和df2
如下所示:
In [1]: df1
Out [1]:
start_date end_date status score
user_id
A [2017-03-07, 2017-03-11] 2017-03-07 2017-03-11 S1 1000
[2017-03-12, 2017-04-03] 2017-03-12 2017-04-03 S2 1000
[2017-04-04, 2017-05-21] 2017-04-04 2017-05-21 S1 1000
[2017-05-22, 2222-12-31] 2017-05-22 2222-12-31 S3 1000
B [2018-12-01, 2018-12-22] 2018-12-01 2018-12-22 S1 900
[2018-12-23, 2018-12-28] 2018-12-23 2018-12-28 S2 900
[2018-12-29, 2222-12-31] 2018-12-29 2222-12-31 S1 1500
In [2]: df2
Out [2]:
user_id ref_date
0 A 2017-04-24
1 B 2018-12-25
我希望选择df1
中也在df2
中的user_id
以及相应的df2.ref_date
所在的df1
区间。在这个例子中,我期望得到第三行和第六行。
如果我使用df2
的单行数据,可以通过运行以下代码找到对应的df1
行:
In [3]: df1.loc[['A']].index.get_level_values(1).get_indexer([pd.to_datetime('2017-04-24')])
Out [3]: array([2])
有没有一种方法可以使用数组一次性完成索引操作?
以下是创建数据框的代码:
users = {'user_id': ['A','A','A','A', 'B','B','B'],
'start_date': ['2017-03-07', '2017-03-12', '2017-04-04', '2017-05-22', '2018-12-01', '2018-12-23', '2018-12-29'],
'end_date': ['2017-03-11', '2017-04-03', '2017-05-21', '2222-12-31', '2018-12-22', '2018-12-28', '2222-12-31'],
'status': ['S1', 'S2', 'S1', 'S3', 'S1', 'S2', 'S1'],
'score': [1000, 1000, 1000, 1000, 900, 900, 1500]
}
df1 = pd.DataFrame(users, columns = ['user_id', 'start_date', 'end_date', 'status', 'score'])
for col in ['start_date', 'end_date']:
df1[col] = pd.to_datetime(df1[col])
df1.set_index(['user_id', pd.IntervalIndex.from_arrays(df1['start_date'], df1['end_date'], closed='both')], drop=True, inplace=True)
df2 = pd.DataFrame({'user_id': ['A', 'B'],
'ref_date': ['2017-04-24', '2018-12-25']})
df2['ref_date'] = pd.to_datetime(df2['ref_date'])
df_merged
是一个独立的数据框,如果您在那里进行任何更改,df1
中不会更新任何内容。通常方法会返回一个新的数据框,但请始终检查文档 https://pandas.pydata.org/pandas-docs/stable/reference/api。 - jcaliziloc
选择df1
的行,然后给一个列赋一个新值,我会得到一个SettingWithCopyWarning
警告:df1.iloc[df_merged.index].start_date = '2020-04-24'
有什么解决方法吗? - notiviloc
中选择行和列,例如df1.iloc[1, df1.columns == 'user_id'] =0
,请记住iloc
是基于整数的,因此您不能通过名称选择列,这就是为什么我使用了布尔遮罩。您也可以使用范围:df1.iloc[[0:2], df1.columns == 'user_id'] =0
。 - jcaliz