在 Pandas 中填充组内的先前值

Question

我希望“ID”组中S0.0,S1.0,S2.0中的值ffill()

        ID      Close   S0.0  S1.0  S2.0
0      UNITY    11.66   NaN   54    NaN
1      UNITY    11.55   56    NaN   NaN
2      UNITY    11.59   NaN   NaN   78
3      TRINITY  11.69   47    NaN   NaN
4      TRINITY  11.37   NaN   69    NaN
5      TRINITY  11.89   NaN   NaN   70

预期结果：

       ID      Close   S0.0  S1.0  S2.0
0      UNITY    11.66   NaN   54    NaN
1      UNITY    11.55   56    54    NaN
2      UNITY    11.59   56    54    78
3      TRINITY  11.69   47    NaN   NaN
4      TRINITY  11.37   47    69    NaN
5      TRINITY  11.89   47    69    70

以下是我的尝试及其不良结果：

尝试 1：

df[df['S0.0']==""] = np.NaN
df[df['S1.0']==""] = np.NaN
df[df['S2.0']==""] = np.NaN

df['S0.0'].groupby('ID').fillna(method='ffill', inplace = True)
df['S1.0'].groupby('ID').fillna(method='ffill', inplace = True)
df['S2.0'].groupby('ID').fillna(method='ffill', inplace = True)

output：

raise KeyError(gpr)
KeyError: 'ID'

尝试 2：

 df.groupby('ID')[['S0.0', 'S1.0', 'S2.0']].ffill() 
#this makes no difference to the data.

#but when I try this:
df = df.groupby('ID')[['S0.0', 'S1.0', 'S2.0']].ffill()

df

Output：

  S0.0  S1.0  S2.0
  NaN   54    NaN
  56    54    NaN
  56    54    78
  47    NaN   NaN
  47    69    NaN
  47    69    70

这又不是我想要的。 小帮助将不胜感激。 谢谢！

Answer 1

做就是了：

df[['S0.0', 'S1.0', 'S2.0']] = df.groupby('ID')[['S0.0', 'S1.0', 'S2.0']].ffill()
print(df)

Output

   Close  S0.0  S1.0  S2.0
0  11.66   NaN  54.0   NaN
1  11.55  56.0  54.0   NaN
2  11.59  56.0  54.0  78.0
3  11.69  47.0   NaN   NaN
4  11.37  47.0  69.0   NaN
5  11.89  47.0  69.0  70.0

Answer 2

更新第二次尝试是正确的。 只是不要指定 Sx.0 的列。

id = df.ID
df = pd.concat([id,df.groupby('ID').ffill()],axis=1)

output：

    ID      Close      S0.0     S1.0    S2.0
0   UNITY       11.66   NaN     54.0    NaN
1   UNITY       11.55   56.0    54.0    NaN
2   UNITY       11.59   56.0    54.0    78.0
3   TRINITY     11.69   47.0    NaN     NaN
4   TRINITY     11.37   47.0    69.0    NaN
5   TRINITY     11.89   47.0    69.0    70.0