Pandas 从同一数据框中查找条件，然后添加到右侧作为新列

Question

我的目标是在 python 中创建一个 excel-vlookup-equivalent，它采用上个月的值并将其添加到当前月份的新列中，即 id、month、value_current_month、value_past_month：

由此：

id  month  value
01     09    123
02     09    234
03     09    345
01     08    543
02     08    432
03     08    321
01     07    678
02     07    789
03     07    890
..     ..    ...

对此：

id  month  value  new
01     09    123  543
02     09    234  432
03     09    345  321
01     08    543  678
02     08    432  789
03     08    321  890
01     07    678  ...
02     07    789  ...
03     07    890  ...
..     ..    ...  ...

我已经导入了 pandas 和 numpy 并创建了一个名为“df”的数据框。 由于我不熟悉 python 的语法，任何帮助将不胜感激。

谢谢！

Answer 1

1. 正确的方法是创建一个Date列（因为您可能有多个年份，您不能只在月份加入）
2. 然后，将数据帧合并回自身，但使用+ pd.DateOffset(months=1)移动一个月。 并加入Date和id ：

---

#sample dataframe setup
import pandas as pd
df = pd.DataFrame({'id': {0: '01',1: '02',2: '03',3: '01',4: '02',5: '03',6: '01',7: '02',8: '03'},
'month': {0: '09',1: '09',2: '09',3: '08',4: '08',5: '08', 6: '07',7: '07',8: '07'},
'value': {0: 123,1: 234,2: 345,3: 543,4: 432,5: 321, 6: 678,7: 789,8: 890}})
df

---

#solution 1
df['Year'] = '2020'
df['Date'] = pd.to_datetime(df['Year'] + '-' + df['month'])
df = (pd.merge(df, df[['Date', 'value', 'id']].rename({'value' : 'new_value'}, axis=1)
                                              .assign(Date=df['Date'] + pd.DateOffset(months=1)),
                      how='left', on=['Date' , 'id']).drop('Date', axis=1))
df
Out[1]: 
   id month  value  Year  new_value
0   1    09    123  2020      543.0
1   2    09    234  2020      432.0
2   3    09    345  2020      321.0
3   1    08    543  2020      678.0
4   2    08    432  2020      789.0
5   3    08    321  2020      890.0
6   1    07    678  2020        NaN
7   2    07    789  2020        NaN
8   3    07    890  2020        NaN

使用.shift(-3) 。 如果问题很简单并且您每个月有三个 ID 值。 例如，如果您每个月的实际数据框中有 12 个id值，您可以将-3更改为-12 。 这也假设您已经对数据框进行了排序：

#solution 2
df['new'] = df['value'].shift(-3)
df

Out[2]: 
   id  month  value    new
0   1      9    123  543.0
1   2      9    234  432.0
2   3      9    345  321.0
3   1      8    543  678.0
4   2      8    432  789.0
5   3      8    321  890.0
6   1      7    678    NaN
7   2      7    789    NaN
8   3      7    890    NaN