识别Pandas数据集中的客户流失（非分类）

Question

我有一个如下形式的数据集：

    Company Period  Revenue
0   Apple   2015Q1  10.0
1   Apple   2016Q1  10.0
2   Apple   2017Q1  10.0
3   Walmart 2015Q1  5.0
4   Walmart 2016Q1  5.0
5   Walmart 2017Q1  5.0
6   Walmart 2018Q1  5.0
7   GM  2016Q1  8.0
8   Facebook    2014Q1  9.0
9   Facebook    2015Q1  9.0

你可以重新创建它w/：

import pandas as pd 

Company = ['Apple','Apple','Apple','Walmart','Walmart','Walmart','Walmart','GM','Facebook','Facebook']
Period = ['2015Q1','2016Q1','2017Q1','2015Q1','2016Q1','2017Q1','2018Q1','2016Q1','2014Q1','2015Q1']
Revenue = [10.0, 10.0, 10.0, 5.0, 5.0, 5.0, 5.0, 8.0, 9.0, 9.0]

d = {'Company':Company, 'Period':Period, 'Revenue':Revenue}

df = pd.DataFrame(data = d)

您可以看到，对于每个公司，都有经常性收入，但任何给定的公司都可以取消订阅我想找到一种方法，在包含许多行的数据集中捕获这些取消。

例如，苹果一直坚持到2018年第一季度，预计每年收费。沃尔玛是目前（下一个预期将是2019年第一季度）。通用汽车在2017年第1季度和Facebook在2016年第1季度都有所下降

在不计算未来预期费用的情况下，确定整个数据集中每家公司首次出现这些“缺失”费用的最佳方法是什么（例如沃尔玛案例，没有下降）

Answer 1

请看下面的代码。如果我正确理解你的问题，这也许能解决它。如果没有，请澄清问题，我很乐意纠正解决方案：

dfDropOutDates = pd.DataFrame(df.groupby("Company")["Period"].max())
dfDropOutDates.reset_index(inplace=True)
current_quarter = "2018Q1"
dfDropOutDates[dfDropOutDates["Period"] != current_quarter]