如何在Pandas中计算运动员上一场比赛的相对最快时间

要完成需求，你需要先计算每一场赛事的最快完赛时间（分母），再结合已获取的运动员上一场完赛时间（分子），最终组合成指定格式的字符串。以下是完整步骤和代码：

步骤说明 #

1. 计算各赛事最快完赛时间：按Race_ID分组，取每组Finish_time的最小值，作为该赛事的最快成绩。
2. 匹配上一场赛事的最快成绩：由于Race_ID是倒序（1最新，4最老），当前赛事的上一场对应Race_ID + 1，通过映射关联上一场的最快成绩作为分母。
3. 获取运动员上一场完赛时间：按运动员分组并按赛事时间升序排序后，用shift(-1)获取该运动员上一场的完赛时间作为分子。
4. 格式化为目标字符串：将分子和分母按要求格式组合，最老赛事（Race_ID=4）的分子为0，对应列值设为"0"。

完整代码 #

import pandas as pd
import numpy as np

# 构建原始DataFrame（不带预期的Relative_time@t-1列）
data = [
    [1,1,56.1], [1,3,60.2], [1,2,57.1], [1,4,57.2],
    [2,2,56.2], [2,1,56.3], [2,3,56.4], [2,4,56.5],
    [3,1,61.2], [3,2,62.1], [3,3,60.4], [3,4,60.0],
    [4,2,55.0], [4,1,54.0], [4,3,53.0], [4,4,52.0]
]
df = pd.DataFrame(data, columns=['Race_ID', 'Athlete_ID', 'Finish_time'], dtype=float)

# 1. 计算每个赛事的最快完赛时间
race_fastest = df.groupby('Race_ID')['Finish_time'].min()
fastest_dict = race_fastest.to_dict()

# 2. 添加上一场赛事ID，并映射对应最快时间作为分母
df['Prev_Race_ID'] = df['Race_ID'] + 1
df['Denominator'] = df['Prev_Race_ID'].map(fastest_dict)

# 3. 按运动员和赛事升序排序，获取分子（运动员上一场完赛时间）
df.sort_values(by=['Athlete_ID', 'Race_ID'], ascending=[True, True], inplace=True)
df['Numerator'] = df.groupby('Athlete_ID')['Finish_time'].shift(-1)
df['Numerator'] = df['Numerator'].fillna(0)

# 4. 格式化为目标字符串
def format_ratio(num, den):
    if num == 0:
        return '0'
    # 处理数值格式：整数显示整数，小数保留一位
    num_str = f"{num:.0f}" if num.is_integer() else f"{num:.1f}"
    den_str = f"{den:.0f}" if den.is_integer() else f"{den:.1f}"
    return f"{num_str}/{den_str}"

df['Relative_time@t-1'] = df.apply(lambda row: format_ratio(row['Numerator'], row['Denominator']), axis=1)

# 恢复原始索引顺序并清理中间列
df.sort_index(inplace=True)
df.drop(['Prev_Race_ID', 'Numerator', 'Denominator'], axis=1, inplace=True)

print(df)

输出结果 #

运行代码后会得到你预期的DataFrame，Relative_time@t-1列完全符合要求。

内容的提问来源于stack exchange，提问作者Apook