Doppelte Zeile basierend auf Wert in verschiedenen Spalte

Question

Ich habe einen Datenrahmen von Transaktionen. Jede Zeile repräsentiert eine Transaktion von zwei Elementen (denken Sie daran wie eine Transaktion von 2 Ereignistickets oder etwas). Ich möchte jede Zeile basierend auf der verkauften Menge duplizieren.

Hier ist Beispielcode:

# dictionary of transactions 

d = {'1': ['20', 'NYC', '2'], '2': ['30', 'NYC', '2'], '3': ['5', 'NYC', '2'], \ 
    '4': ['300', 'LA', '2'], '5': ['30', 'LA', '2'], '6': ['100', 'LA', '2']} 

columns=['Price', 'City', 'Quantity'] 

# create dataframe and rename columns 

df = pd.DataFrame.from_dict(data=d, orient='index') 
df.columns = columns 

Dieses eine Datenrahmen erzeugt, wie diese oben

Price City Quantity 

20  NYC   2 

30  NYC   2 

5  NYC   2 

300  LA   2 

30  LA   2 

100  LA   2 

So im Fall sieht, wird jede Zeile in zwei doppelte Zeilen verwandeln. Wenn die Spalte "Menge" 3 ist, wird diese Zeile in drei doppelte Zeilen umgewandelt.

Answer 1

Zuerst habe ich Ihre Daten mit Ganzzahlen anstelle von Text neu erstellt. Ich habe auch die Menge variiert, damit man das Problem leichter verstehen kann.

d = {1: [20, 'NYC', 1], 2: [30, 'NYC', 2], 3: [5, 'SF', 3],  
    4: [300, 'LA', 1], 5: [30, 'LA', 2], 6: [100, 'SF', 3]} 

columns=['Price', 'City', 'Quantity'] 
# create dataframe and rename columns 

df = pd.DataFrame.from_dict(data=d, orient='index').sort_index() 
df.columns = columns 

>>> df 
    Price City Quantity 
1  20 NYC   1 
2  30 NYC   2 
3  5 SF   3 
4 300 LA   1 
5  30 LA   2 
6 100 SF   3 

Ich habe einen neuen DataFrame erstellt, indem ich eine Verständnisstruktur für verschachtelte Listen verwendet habe.

df_new = pd.DataFrame([df.ix[idx] 
         for idx in df.index 
         for _ in range(df.ix[idx]['Quantity'])]).reset_index(drop=True) 
>>> df_new 
    Price City Quantity 
0  20 NYC   1 
1  30 NYC   2 
2  30 NYC   2 
3  5 SF   3 
4  5 SF   3 
5  5 SF   3 
6  300 LA   1 
7  30 LA   2 
8  30 LA   2 
9  100 SF   3 
10 100 SF   3 
11 100 SF   3 

Answer 2

Wie wäre es mit diesem Ansatz? Ich habe Ihre Daten leicht geändert, um einen Verkauf von 4 Tickets auszurufen.

Wir verwenden einen Helfer np.ones() Array, von geeigneter Größe, und dann der Schlüsselcodezeile ist: numpy - update values using slicing given an array value

Dann ist es einfach ein Anruf an: a[np.arange(a.shape[1])[:] > a[:,0,np.newaxis]] = 0

ich diese Technik hier gezeigt wurde .stack() und einige grundlegende Filterung zu vervollständigen.

d = {'1': ['20', 'NYC', '2'], '2': ['30', 'NYC', '2'], '3': ['5', 'NYC', '2'], \ 
    '4': ['300', 'LA', '2'], '5': ['30', 'LA', '4'], '6': ['100', 'LA', '2']} 

columns=['Price', 'City', 'Quantity'] 
df = pd.DataFrame.from_dict(data=d, orient='index') 
df.columns = columns 
df['Quantity'] = df['Quantity'].astype(int) 

# make a ones array 
my_ones = np.ones(shape=(len(df),df['Quantity'].max())) 

# turn my_ones into a dataframe same index as df so we can join it to the right hand side. Plenty of other ways to achieve the same outcome. 
df_my_ones = pd.DataFrame(data =my_ones,index = df.index) 

df = df.join(df_my_ones) 

, die wie folgt aussieht:

Price City Quantity 0 1 2 3 
1 20 NYC   2 1 1 1 1 
3  5 NYC   2 1 1 1 1 
2 30 NYC   2 1 1 1 1 
5 30 LA   4 1 1 1 1 
4 300 LA   2 1 1 1 1 

jetzt die Spalte Menge bekommen und die, die in eine numpy Array

a = df.iloc[:,2:].values 

Dies ist die clevere Bit

a[np.arange(a.shape[1])[:] > a[:,0,np.newaxis]] = 0 

und df neu zuweisen.

df.iloc[:,2:] = a 

und jetzt df sieht wie folgt aus, merken, wie wir auf Null über die Anzahl Anzahl festgelegt haben:

Price City Quantity 0 1 2 3 
1 20 NYC   2 1 1 0 0 
3  5 NYC   2 1 1 0 0 
2 30 NYC   2 1 1 0 0 
5 30 LA   4 1 1 1 1 
4 300 LA   2 1 1 0 0 

df.set_index(['Price','City','Quantity'],inplace=True) 
df = df.stack().to_frame() 
df.columns = ['sale_flag'] 
df.reset_index(inplace=True) 
print df[['Price','City', 'Quantity']][df['sale_flag'] !=0] 
print df 

, die produziert:

Price City Quantity 
0  20 NYC   2 
1  20 NYC   2 
4  5 NYC   2 
5  5 NYC   2 
8  30 NYC   2 
9  30 NYC   2 
12 30 LA   4 
13 30 LA   4 
14 30 LA   4 
15 30 LA   4 
16 300 LA   2 
17 300 LA   2