基于数据中多列条件选择的向量算法

Question

我试图在我的数据中的不同单元之间做算术运算，但是我想不出如何对我的每个组进行操作。我试图在基线构建(在本例中upgrade_name == b是基线案例)和每一次升级(每个构建)之间找到energy_use的区别。我有任意数量的building_id和任意数量的upgrade_name。

我可以在一个building_id上成功地做到这一点。现在，我需要将其扩展到完整的数据集中，然后陷入困境。我将拥有成千上万座建筑中的10座，每座建筑将有数十座升级。

Iterating within groups in Pandas这个问题的答案可能是相关的，但我不知道如何将它应用于我的问题。

我有这样的数据：

df = pd.DataFrame({'building_id': [1,2,1,2,1], 'upgrade_name': ['a', 'a', 'b', 'b', 'c'], 'energy_use': [100.4, 150.8, 145.1, 136.7, 120.3]})

In [4]: df
Out[4]:
   building_id upgrade_name  energy_use
0            1            a       100.4
1            2            a       150.8
2            1            b       145.1
3            2            b       136.7
4            1            c       120.3

对于单个building_id，我有以下代码：

upgrades = df.loc[df.building_id == 1, ['upgrade_name', 'energy_use']]
starting_point = upgrades.loc[upgrades.upgrade_name == 'b', 'energy_use']
upgrades['diff'] = upgrades.energy_use - starting_point.values[0]
In [8]: upgrades
Out[8]:
  upgrade_name  energy_use  diff
0            a       100.4 -44.7
2            b       145.1   0.0
4            c       120.3 -24.8

如何为任意数量的building_id而不是硬编码的building_id == 1编写此代码？理想的解决方案如下(不管基线差异是0还是NaN)：

In [17]: df
Out[17]:
   building_id upgrade_name  energy_use  ideal
0            1            a       100.4  -44.7
1            2            a       150.8   14.1
2            1            b       145.1    0.0
3            2            b       136.7    0.0
4            1            c       120.3  -24.8

Answer 1

定义计算能源使用差异的函数(对于当前建筑物的一组行)如下：

def euDiff(grp):
    euBase = grp[grp.upgrade_name == 'b'].energy_use.values[0]
    return grp.energy_use - euBase

然后计算差异(对于所有建筑物)，并将其应用于每一组：

df['ideal'] = df.groupby('building_id').apply(euDiff)\
    .reset_index(level=0, drop=True)

结果和你预期的一样。

Answer 2

谢谢你分享这个例子的数据！让事情变得简单多了。

我建议分两部分解决这一问题：

1. 根据您的数据制作一个字典，其中包含每个建筑物的基准能源使用。
2. 将lambda函数应用到您的数据中，从与该建筑相关的基线值中减去每个能源使用值。

# set index to building_id, turn into dictionary, filter out energy use
building_baseline = df[df['upgrade_name'] == 'b'].set_index('building_id').to_dict()['energy_use']

# apply lambda to dataframe, use axis=1 to access rows
df['diff'] = df.apply(lambda row: row['energy_use'] - building_baseline[row['building_id']])

您还可以编写一个函数来完成这个任务。你也不一定需要字典，它只会让事情变得更简单。如果您对这些替代解决方案感兴趣，请告诉我，我可以为您添加它们。