J'ai un cadre de données pandas qui contient 3 colonnes, chacune contenant un site visité par un utilisateur au cours d'une session.
Dans certains cas, un utilisateur peut ne pas avoir visité 3 sites au cours d'une même session. Ceci est indiqué par un 0, indiquant qu'aucun site n'a été visité.
import pandas as pd
df = pd.DataFrame(data=[[5, 8, 1],[8,0,0],[1,17,0]],
columns=['site1', 'site2', 'site3'])
print(df)
site1 site2 site3
0 5 8 1
1 8 0 0
2 1 17 0
Dans l'exemple ci-dessus, l'utilisateur 0 a visité les sites 5, 8 et 1. L'utilisateur 1 n'a visité que le site 8 et l'utilisateur 2 a visité les sites 1 et 17.
J'aimerais créer une nouvelle colonne, last_site
, qui montre le dernier site visité par l'utilisateur au cours de cette session.
Le résultat que je veux est le suivant:
site1 site2 site3 last_site
0 5 8 1 1
1 8 0 0 8
2 1 17 0 17
Comment puis-je le faire de manière concise en utilisant des pandas?
Utilisez le remplissage en avant des valeurs d'erreur créées en remplaçant les valeurs 0
et en sélectionnant la dernière colonne par iloc
:
df['last'] = df.replace(0, np.nan).ffill(axis=1).iloc[:, -1].astype(int)
print (df)
site1 site2 site3 last
0 5 8 1 1
1 8 0 0 8
2 1 17 0 17
Si les performances sont importantes, utilisez numpy
:
a = df.values
m = a != 0
df['last'] = a[np.arange(m.shape[0]), m.shape[1]-m[:,::-1].argmax(1)-1]
print (df)
site1 site2 site3 last
0 5 8 1 1
1 8 0 0 8
2 1 17 0 17
Code:
df['last_site'] = df.apply(lambda x: x.iloc[x.nonzero()].iloc[-1], axis=1)
Sortie:
site1 site2 site3 last_site
0 5 8 1 1
1 8 0 0 8
2 1 17 0 17
mask
+ ffill
Une solution "pur Pandas":
df['last'] = df.mask(df.eq(0)).ffill(1).iloc[:, -1].astype(int)
numba
Pour une efficacité sur un grand nombre de lignes/colonnes, numba
peut vous aider. Pour savoir pourquoi cela fonctionne mieux que argmax
, voir Renvoie efficacement l'index de la première condition satisfaisant dans array .
from numba import njit
@njit
def get_last_val(A):
m, n = A.shape
res = A[:, -1]
for i in range(m):
for j in range(n):
if A[i, j] == 0:
res[i] = A[i, max(0, j-1)]
break
return res
df['last'] = get_last_val(df.values)