pandas根據另一列中的值創建一個列，該列選擇作為條件

Question

我有以下df ，

id    match_type    amount    negative_amount
1     exact         10        False
1     exact         20        False
1     name          30        False
1     name          40        False
1     amount        15        True
1     amount        15        True 
2     exact         0         False
2     exact         0         False

我想創建一個列0_amount_sum ，指示（boolean）如果對於特定match_type每個id， amount和<= 0，例如，以下是結果df ;

id    match_type    amount    0_amount_sum    negative_amount   
1     exact         10        False           False
1     exact         20        False           False
1     name          30        False           False
1     name          40        False           False
1     amount        15        True            True
1     amount        15        True            True
2     exact         0         True            False
2     exact         0         True            False

對於id=1和match_type=exact ， amount總和為30，因此0_amount_sum為False 。 代碼如下，

df = df.loc[df.match_type=='exact']

df['0_amount_sum_'] = (df.assign(
    amount_n=df.amount * np.where(df.negative_amount, -1, 1)).groupby(
    'id')['amount_n'].transform(lambda x: sum(x) <= 0))

df = df.loc[df.match_type=='name']

df['0_amount_sum_'] = (df.assign(
    amount_n=df.amount * np.where(df.negative_amount, -1, 1)).groupby(
    'id')['amount_n'].transform(lambda x: sum(x) <= 0))

df = df.loc[df.match_type=='amount']

df['0_amount_sum_'] = (df.assign(
    amount_n=df.amount * np.where(df.negative_amount, -1, 1)).groupby(
    'id')['amount_n'].transform(lambda x: sum(x) <= 0))

我想知道是否有更好的方法/更高效的方法，特別是當match_type的值未知時，代碼可以自動枚舉所有可能的值，然后相應地進行計算。

Answer 1

我相信需要groupby by 2 Series （列）而不是過濾：

df['0_amount_sum_'] = ((df.amount * np.where(df.negative_amount, -1, 1))
                           .groupby([df['id'], df['match_type']])
                           .transform('sum')
                           .le(0))

   id match_type  amount  negative_amount  0_amount_sum_
0   1      exact      10            False          False
1   1      exact      20            False          False
2   1       name      30            False          False
3   1       name      40            False          False
4   1     amount      15             True           True
5   1     amount      15             True           True
6   2      exact       0            False           True
7   2      exact       0            False           True