计算首次发生和个别发生之间的差异（P）

Question

让我们看看一个简单的HR数据框，例如：

^{tb1}$

问题：任何数据集需要多少时间（以年为单位）才能获得工资>；=在同一部门的第一个人打了那个号码之后，是100？（请参见新列“hit100after”）

实际上，我正在为实现而苦苦挣扎。我的步骤是按部门分组，找到第一个出现的薪资>；=100，并用新的布尔类型或第二个数据框标记该年份。然后我将计算>；=100个人和其部门的第一次事件

知道如何为大型数据帧编码吗

Answer 1

您可以尝试：

new_col = (df.query("Salary >= 100")
             .groupby("Department")
             .apply(lambda x: x.Year - x.iloc[0].Year)
             .reset_index(level=0, drop=True)
             .T)
df["hit100after"] = new_col
df["hit100after"] = df["hit100after"].fillna(0).astype(int)

首先，我们查看工资大于100（query）的条目，然后按部门对它们进行分组（groupby），应用函数获取与部门中第一个条目（apply和iloc[0]）的年度差异，去掉第0级的部门名称（reset_index，其中drop为True），并进行换位（T）以确保其垂直，以便于与原始df对齐

最后，我们将这个新列分配给df，但由于我们只选择了那些带有Salary >= 100的列，所以分配时有NaN；因此fillna(0)。由于NaN从技术上讲是一个浮点数，所以它使序列浮动，因此我们在最后转换为int

要获得：

    Name  Year Department  Salary  hit100after
0   John  2018        R&D      80            0
1  Marie  2018      Legal      90            0
2   Jill  2018      Legal     100            0
3   John  2019        R&D      85            0
4  Marie  2019      Legal      95            0
5   Jill  2019      Legal     105            1
6   John  2020        R&D      90            0
7  Marie  2020      Legal     100            2
8   Jill  2020      Legal     110            2