tengo un dataframe con las columnas id y code lo que quiero hacer es una nueva Columna (parent)que me muestre el primer valor un 0 y el o los siguientes que muestre la id que tiene la fila del que tiene el valor 0 . Algo así:
1 respuesta
Entiendo que en la columna parent
tienes ceros en ciertas posiciones arbitrarias (y lo que haya en el resto de posiciones, que no son ceros, es irrelevante porque se va a sobreescribir).
Por tanto comienzo por generar un dataframe como el descrito (en este caso relleno con 125
los valores irrelevantes, y pongo "a mano" ceros en ciertos lugares para que los datos sean como lo que has mostrado).
df = pd.DataFrame({"id": list(range(1,10)), "parent": [125]*9})
for i in (1, 4, 8):
df.loc[i-1, "parent"] = 0
print(df)
id parent
0 1 0
1 2 125
2 3 125
3 4 0
4 5 125
5 6 125
6 7 125
7 8 0
8 9 125
El problema ahora se enunciaría así:
En la columna "parent" rellenar todos los valores distintos de 0 con el id del último 0 que haya aparecido antes.
Para resolver el problema añado otra columna auxiliar que luego borraré. Y en ella hago lo siguiente:
Relleno con None la columna auxiliar
En los lugares en los que "parent" es igual a 0, copio el valor de id a la columna auxiliar. Eso me dejará de momento un dataframe así:
id parent aux 0 1 0 1 1 2 125 None 2 3 125 None 3 4 0 4 4 5 125 None 5 6 125 None 6 7 125 None 7 8 0 8 8 9 125 None
Finalmente uso
fillna()
sobre esa columna con el método "ffill". Eso sustituirá todos los None (o NaN) de la columna aux con el último valor observado en esa columna distinto de None (o NaN).La columna aux resultante es lo que querías, así que la copio a la columna parent (a los lugares distintos de 0) y elimino la columna aux.
Todo eso son cuatro líneas de código:
df["aux"] = None
df.loc[df.parent==0, "aux"] = df.id
df.loc[df.parent!=0, "parent"] = df.aux.fillna(method="ffill")
df = df.drop(columns="aux")
Y el resultado:
id parent
0 1 0
1 2 1
2 3 1
3 4 0
4 5 4
5 6 4
6 7 4
7 8 0
8 9 8
Actualización
Parece ser (a la vista del comentario) que los 0 en la columna parent no eran datos de entrada, sino que había que rellenarlos también a partir del contenido de la columna "code" (los ceros irían en las filas en las que el "code" cambia). De modo que adapto la respuesta con esta información y tratando de reutilizar lo ya explicado antes.
Empezamos por crear un dataframe en el que no hay columna parent
, solo los "id" y los "code":
import pandas as pd
df = pd.DataFrame({"id": list(range(1,10)), "code": ["987556"]*3+["99900"]*4+["88077"]*2})
print(df)
id code
0 1 987556
1 2 987556
2 3 987556
3 4 99900
4 5 99900
5 6 99900
6 7 99900
7 8 88077
8 9 88077
Creamos ahora un par de columnas adicionales llamadas "parent"
y "aux"
, ambas con valores iniciales None
en todas las filas:
df["aux"] = None
df["parent"] = None
y ahora viene una parte interesante. Vamos a encontrar en qué filas el valor de "code" cambia. Esos son los lugares donde habría que poner ceros en la columna "parent". Para encontrar esto comparamos lo que hay en la columna "code" con lo que hay en esa misma columna, pero desplazado (usando .shift()
). Eso dará una columna de booleanos que tendrán True
en las filas en las que el code ha cambiado, y False
en aquellas en las que se repite el valor de la fila anterior. Esto falla en la primera fila, pues no tiene fila anterior, y para esa tenemos que meter artificalmente un True
:
cambios = (df.code.shift() != df.code)
cambios[0] = True
Ahora usamos esa columna de booleanos como índice para poner ceros en la columna "parent", y de paso para poner el valor del id en la columna "aux":
df.loc[cambios, "parent"] = 0
df.loc[cambios, "aux"] = df.id
Ahora mismo df
está así:
id code aux parent
0 1 987556 1 0
1 2 987556 None None
2 3 987556 None None
3 4 99900 4 0
4 5 99900 None None
5 6 99900 None None
6 7 99900 None None
7 8 88077 8 0
8 9 88077 None None
y ahora podemos aplicar los trucos explicados en la primera parte de la respuesta, para rellenar los None de la columna "aux" usando "ffill"
, y asignar esos valores a la columna "parent", pero sólo en aquellos lugares en los que no hubo cambios (usando ~cambios
como índice, ya que ~
actúa como operador de negación).
Es decir:
df.loc[~cambios, "parent"] = df.aux.ffill()
Tras esto ya podemos eliminar la columna auxiliar y obtener el resultado:
df = df.drop(columns="aux")
print(df)
id code parent
0 1 987556 0
1 2 987556 1
2 3 987556 1
3 4 99900 0
4 5 99900 4
5 6 99900 4
6 7 99900 4
7 8 88077 0
8 9 88077 8
-
muchas gracias, me sirve bastante y perdón por lo vago que fue la explicación del ejercicio. La verdad es que el 0 se muestra en la primera fila en donde aparezca un nuevo código en la columna ‘code’. Es por eso que la primera fila es 0 y las otras son la id Commented el 22 dic. 2021 a las 11:48
-
-
muchas gracias, es lo que estaba buscando. Se agradece la ayuda. Commented el 23 dic. 2021 a las 11:42
-
De nada. Puedes marcar la respuesta como aceptada si ha resuelto el problema.– abulafiaCommented el 23 dic. 2021 a las 11:48