如何仅为dupli的最后一次出现标识和设置列值

Question

我对熊猫和Python很陌生，如果这是一个基本问题，请原谅。为了解决我的问题：Load multiple csv files, look for missing merchandiseID in subsequent files, calculate the date sold based on it，我对清理这些文件的方式做了一些更改。我在从多个csv文件加载的数据框中有以下列。你知道吗

store_id stock_number merchandise_id date_acquired color price MSRP csv_date
12973     7382        UISN78008     04/11/2017    Red  $3200 $3650  01/31/2017
45973     9889        YHAN79807     08/09/2017   White $3600 $3650  01/31/2017
...
45973     9889        YHAN79807     08/09/2017   White $3600 $3650  03/31/2017

最后一列是商品id为“YHAN79807”的项目的最后一次出现。通过跟随How to identify the first occurence of duplicate rows in Python pandas Dataframe并稍加修改，我能够找到最后一个事件。我曾经

 df1['dup_index'] = df1.index.map(lambda ind: g.indices[ind][len(g.indices[ind])-1])

但是，我只想将“dup\u index”列的这个值设置为merchandiseID中最后出现的“YHAN79807”。我不希望将“YHAN79807”的重复数据作为merchandiseID的其余行具有此值。它们应该是空白的。只有最后一个事件应该有这个ID。我还不能这样做。我试过几件事，一件是：

group = df1.groupby(['merchandiseID'])
df1_index = df1.set_index(['merchandiseID'])
df1[ (((len(group.indices[ind])-1)==group.indices[df1.merchandiseID])]['dup_index'] = 'succeed'

我尝试添加“success”作为第一步，以查看列比较是否会给出结果，但它给了我以下错误：

 FutureWarning: elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison

结果=getattr（x，名称）（y）。。。 raise TypeError（'无法将%s类型与序列进行比较'%

我束手无策。我错过了什么？如有任何提示，我们将不胜感激。你知道吗

最好的

爱丽丝

Answer 1

我想你需要：

g = df.groupby(['merchandise_id'])
df1 = df.set_index(['merchandise_id'])
df['dup_index'] = df1.index.map(lambda ind: g.indices[ind][len(g.indices[ind])-1])
print (df)
   store_id  stock_number merchandise_id date_acquired  color  price   MSRP  \
0     12973          7382      UISN78008    04/11/2017    Red  $3200  $3650   
1     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   
2     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   

     csv_date  dup_index  
0  01/31/2017          0  
1  01/31/2017          2  
2  03/31/2017          2  

或者，如果需要仅标识最后一个重复的行，请使用带&的双条件：

print (df)
   store_id  stock_number merchandise_id date_acquired  color  price   MSRP  \
0     12973          7382      UISN78008    04/11/2017    Red  $3200  $3650   
1     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   
2     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   
3     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   

     csv_date  
0  01/31/2017  
1  01/31/2017  
2  01/31/2017  
3  03/31/2017  


m1 = ~df.duplicated(['merchandise_id'], keep='last')
m2 = df.duplicated(['merchandise_id'], keep=False)
m = m1 & m2
df.loc[m, 'new'] = 'succeed'
print (df)
   store_id  stock_number merchandise_id date_acquired  color  price   MSRP  \
0     12973          7382      UISN78008    04/11/2017    Red  $3200  $3650   
1     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   
2     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   
3     45973          9889      YHAN79807    08/09/2017  White  $3600  $3650   

     csv_date      new  
0  01/31/2017      NaN  
1  01/31/2017      NaN  
2  01/31/2017      NaN  
3  03/31/2017  succeed