Estoy comenzando a programar con Python y se me ha presentado un caso real. Lo explicaré con un ejemplo:
data = pd.DataFrame({'Doc': ['1234', '2345', '3456', '1234', '1234', '5678', '6789', '2345'],
'Monto': [20, 30, 45, 21, 20, 30, 6, 30],
'Tipo': ['I', 'E', 'E', 'I', 'E', 'E', 'I', 'I'],
'Sup': ['Juan', 'Pedro', 'Juan', 'Juan', 'Carolina', 'Juan', 'Carolina', 'Carolina'],
'Obs':' '})
data
Que debe dar algo así:
Doc Monto Tipo Sup Obs
0 1234 20 I Juan
1 2345 30 E Pedro
2 3456 45 E Juan
3 1234 21 I Juan
4 1234 20 E Carolina
5 5678 30 E Juan
6 6789 6 I Carolina
7 2345 30 I Carolina
La idea es identificar todas las filas que contengan el mismo valor en las columnas 'Doc' y 'Monto', pero diferente valor en la columna 'Tipo'. Es decir, identificar los montos que tengan el mismo número de 'Doc' pero que uno sea de Ingreso (I) y el otro de Egreso (E).
El resultado debería ser algo parecido a esto:
Doc Monto Tipo Sup Obs
0 1234 20 I Juan Ok
1 2345 30 E Pedro Ok
2 3456 45 E Juan
3 1234 21 I Juan
4 1234 20 E Carolina Ok
5 5678 30 E Juan
6 6789 6 I Carolina
7 2345 30 I Carolina Ok
Donde se observa que data[0] hace match con data[4] y data[1] hace match con data[7].
He podido encontrar una solución (anidando for's e if's) que funciona muy bien con dataframes pequeños de prueba, pero cuando la aplico al dataframe original, de 50k registros, es terriblemente ineficiente.
for i in range(len(data)):
doc = data['Doc'][i]
mon = data['Monto'][i]
tip = data['Tipo'][i]
if data['Obs'][i] == ' ':
for j in range(len(data)):
if i != j:
if (data['Obs'][j] == ' '):
if (data['Doc'][j] == doc) and (data['Monto'][j] == mon):
if (data['Tipo'][j] != tip):
data['Obs'][i] = 'Ok'
data['Obs'][j] = 'Ok'
[1234, 20, I], [1234, 20, I], [1234, 20, E]
o con[1234, 20, E], [1234, 20, I], [1234, 20, E]
o con[1234, 20, I], [1234, 20, I], [1234, 20, E], [1234, 20, E]
?