Pandas：在单元格内的列表中查找第一个 True 值

Question

tl; dr-我有一个 dataframe ，其中一列是 boolean 值的列表。 我需要创建另一列来显示找到第一个 True 值的列表的索引。

长解释：

我有一个带有经济数据时间表的 Pandas dataframe（每列是四分之一）。

我正在尝试得出一些特定的指标，而我坚持的指标是“恢复”。 我试图确定在时间线超过之前的峰值之前有多少个季度 go。

以下是我迄今为止所做的所有工作的一些示例数据。 对不起它的大小。

此特定问题的重要列：

最低点：时间线的最低点 nadir_qtr：最低点发生的季度

pre_peak：最低点前的最高点 pre_peak_qtr：出现前峰值的四分之一

为了找到恢复季度，我制作了一个包含 boolean 值列表的列 - 该数字是否大于峰值前：

df2['recovery_list'] = df2.apply(lambda x: (x['new'][x['nadir_qtr']:] > x['pre_peak']), axis=1)

在您使用以下代码获得 True 值之前，我可以获取季度数：

next((i for i, j in enumerate(list(df2['recovery_list'][0])) if j), None)
Output: 7

但是当我使用代码生成一个新列时：

 df2['recovery_qtr'] = next((i for i, j in enumerate(list(df2['recovery_list'])) if j), None)

我收到以下错误：

ValueError：具有多个元素的数组的真值不明确。 使用 a.any() 或 a.all()

知道我在这里做错了什么吗？

我对解决这个问题的替代方法持开放态度，但这与我已经接近了。

qtrid	指数	area_fips	area_title	2000.25	2000.5	2000.75	2001.0	2001.25	2001.5	2001.75	2002.0	2002.25	2002.5	2002.75	2003.0	2003.25	2003.5	2003.75	2004.0	2004.25	2004.5	2004.75	2005.0	2005.25	2005.5	2005.75	2006.0	2006.25	2006.5	2006.75	2007.0	2007.25	2007.5	2007.75	2008.0	最低点	nadir_qtr	pre_peak	pre_peak_qtr	恢复列表	post_peak	post_peak_qtr	新的	恢复	衰退	三角洲
0	1374	27075	明尼苏达州莱克县	7518.0	8346.0	8642.0	7714.0	8154.0	9012.0	8818.0	8174.0	7642.0	8288.0	8840.0	8022.0	7854.0	8876.0	8642.0	7926.0	7838.0	9020.0	8644.0	8130.0	8060.0	8968.0	8694.0	8314.0	8182.0	9344.0	8810.0	8202.0	8214.0	9352.0	8898.0	8346.0	7642.0	10	9012.0	5	【假，假，假，假，假，假，假……	9352.0	29	[7518.0、8346.0、8642.0、7714.0、8154.0、9012……	1	5	340.0
1	3073	54063	西弗吉尼亚州门罗县	3812.0	4126.0	4072.0	4040.0	3894.0	4062.0	4086.0	4060.0	3950.0	4122.0	4014.0	3906.0	3772.0	3912.0	4032.0	3996.0	4112.0	4224.0	4242.0	4232.0	3962.0	4138.0	4090.0	4086.0	3978.0	4096.0	4070.0	4196.0	4138.0	4134.0	4210.0	4158.0	3772.0	14	4126.0	1	[假，假，假，真，真，真，假，...	4242.0	18	[3812.0、4126.0、4072.0、4040.0、3894.0、4062……	1	13	116.0
2	1919年	36119	纽约州威彻斯特县	794524.0	820670.0	813970.0	837170.0	807890.0	829618.0	805440.0	823416.0	799696.0	822272.0	807492.0	829566.0	800922.0	822528.0	805160.0	826352.0	808770.0	832592.0	819536.0	842588.0	813082.0	838078.0	823780.0	841502.0	815112.0	842546.0	827984.0	851376.0	830014.0	862302.0	840974.0	865742.0	799696.0	10	837170.0	3	【假，假，假，假，假，假，假……	865742.0	31	[794524.0、820670.0、813970.0、837170.0、80789...	1	7	28572.0
3	3103	55011	威斯康星州布法罗县	8747.0	9320.0	9322.0	9298.0	9824.0	9445.0	9488.0	9910.0	9768.0	9142.0	10028.0	9060.0	9944.0	9583.0	10390.0	9256.0	9702.0	9462.0	9957.0	10740.0	10502.0	11230.0	11106.0	11158.0	11662.0	12302.0	12298.0	11267.0	10292.0	10938.0	10726.0	10450.0	9060.0	13	10028.0	10	【假，真，假，假，假，假，真……	12302.0	25	[8747.0、9320.0、9322.0、9298.0、9824.0、9445....	1	3	2274.0
4	3683	C2706	纽约州伊萨卡 MSA	92042.0	95082.0	93852.0	94730.0	92978.0	96624.0	94556.0	95156.0	92922.0	95148.0	95666.0	96214.0	95192.0	97904.0	97330.0	97772.0	96510.0	98820.0	98532.0	99160.0	100396.0	100062.0	99060.0	99840.0	97912.0	100914.0	99772.0	101050.0	98418.0	101806.0	101344.0	102708.0	92922.0	10	96624.0	5	[假，假，假，真，真，真，假，...	102708.0	31	[92042.0, 95082.0, 93852.0, 94730.0, 92978.0, ...	1	5	6084.0
5	2365	45019	南卡罗来纳州查尔斯顿县	362554.0	378358.0	362860.0	369826.0	362656.0	364742.0	360836.0	359780.0	358752.0	370100.0	368878.0	369464.0	369964.0	377104.0	376108.0	378814.0	379144.0	389946.0	389044.0	391862.0	388852.0	402586.0	398644.0	398042.0	396874.0	406484.0	410372.0	416576.0	417812.0	427552.0	424776.0	424316.0	358752.0	10	378358.0	1	【假，假，假，假，假，真，真……	427552.0	29	[362554.0、378358.0、362860.0、369826.0、36265...	1	9	49194.0
6	3448	C1722	克拉克斯堡，西弗吉尼亚州	35242.0	36634.0	36225.0	36026.0	35447.0	36476.0	35968.0	36227.0	35571.0	36785.0	36377.0	36863.0	35954.0	37505.0	37048.0	37325.0	36400.0	37701.0	37407.0	37503.0	36407.0	37653.0	37616.0	37383.0	36977.0	37625.0	37037.0	37227.0	36265.0	37617.0	37227.0	37570.0	35571.0	10	36785.0	9	[假，真，假，真，真，真，假，...	37701.0	17	[35242.0, 36634.0, 36225.0, 36026.0, 35447.0, ...	1	1	916.0
7	3297	C1086	德克萨斯州爱丽丝	13001.0	13245.0	13460.0	13800.0	13642.0	14243.0	14145.0	14031.0	13873.0	14086.0	14208.0	14106.0	14522.0	14855.0	14959.0	15120.0	15105.0	15492.0	15554.0	15695.0	15517.0	15713.0	15970.0	15874.0	16127.0	16666.0	16778.0	16876.0	17380.0	18144.0	18178.0	17937.0	13873.0	10	14243.0	5	[假，假，真，真，真，真，真，...	18178.0	30	[13001.0, 13245.0, 13460.0, 13800.0, 13642.0, ...	1	5	3935.0
8	742	18063	印第安纳州亨德里克斯县	58656.0	60586.0	60618.0	60272.0	59964.0	63238.0	65434.0	65000.0	65534.0	66824.0	68710.0	68680.0	67982.0	70936.0	72554.0	74030.0	74836.0	77138.0	78370.0	78876.0	77654.0	79878.0	81936.0	82752.0	83174.0	86144.0	88166.0	88914.0	88606.0	91556.0	93514.0	93744.0	65000.0	9	65534.0	8	【真，真，真，真，真，真，真，真，真……	93744.0	31	[58656.0, 60586.0, 60618.0, 60272.0, 59964.0, ...	1	1	28210.0
9	3618	C2446	大弯，堪萨斯州 MicroSA	12532.0	13213.0	13015.0	13207.0	12852.0	13368.0	13077.0	13216.0	13144.0	13396.0	13348.0	12961.0	12487.0	12791.0	12690.0	12638.0	12520.0	12953.0	12679.0	12804.0	12600.0	13152.0	12685.0	12886.0	12946.0	13264.0	12943.0	13339.0	13160.0	13433.0	13111.0	13546.0	12487.0	14	13396.0	9	【假，假，假，假，假，假，假……	13546.0	31	[12532.0, 13213.0, 13015.0, 13207.0, 12852.0, ...	1	5	150.0

Answer 1

考虑下面df ：

In [952]: df = pd.DataFrame({'A':[[True, False, True], [False, True, False], [False, False, False, True]]})

In [953]: df
Out[953]: 
                             A
0          [True, False, True]
1         [False, True, False]
2  [False, False, False, True]

您可以使用df.apply和List.index来做到这一点：

In [955]: df['True_index'] = df['A'].apply(lambda x: x.index(True))

In [956]: df
Out[956]: 
                             A  True_index
0          [True, False, True]           0
1         [False, True, False]           1
2  [False, False, False, True]           3