按地区和国家分组计算2016-2019年Yearly_rank的差值

现有包含Region、Country、Year、Yearly_rank列的DataFrame，需按Region和Country分组，计算每个国家2016年至2019年之间Yearly_rank的变化值。

示例DataFrame代码 #

import pandas as pd

df = pd.DataFrame([
    {'Region': 'west europe', 'Country': 'Finland', 'Year': 2019, 'Yearly_rank': 1},
    {'Region': 'west europe', 'Country': 'Denmark', 'Year': 2019, 'Yearly_rank': 2},
    {'Region': 'west europe', 'Country': 'Norway', 'Year': 2019, 'Yearly_rank': 3},
    {'Region': 'west europe', 'Country': 'Iceland', 'Year': 2019, 'Yearly_rank': 4},
    {'Region': 'west europe','Country': 'Netherlands', 'Year': 2019, 'Yearly_rank': 5},
    {'Region': 'west europe', 'Country': 'Switzerland', 'Year': 2019, 'Yearly_rank': 6},
    {'Region': 'west europe', 'Country': 'Sweden','Year': 2019, 'Yearly_rank': 7},
    {'Region': 'australia and new zealand', 'Country': 'New Zealand', 'Year': 2019, 'Yearly_rank': 8},
    {'Region': 'north america', 'Country': 'Canada','Year': 2019, 'Yearly_rank': 9},
    {'Region': 'west europe', 'Country': 'Austria', 'Year': 2019,'Yearly_rank': 10}
])

注：示例仅包含2019年数据，测试计算逻辑需补充对应国家2016年的Yearly_rank记录。

解决方案 #

步骤1：筛选目标年份数据 #

先过滤出2016-2019年的记录，聚焦处理目标时间段的数据：

filtered_df = df[(df['Year'] >= 2016) & (df['Year'] <= 2019)]

步骤2：计算排名变化值 #

这里提供两种可靠的计算方式：

方式一：分组后直接提取年份值计算

通过分组后，获取每个国家2019年和2016年的排名并计算差值：

rank_change = filtered_df.groupby(['Region', 'Country']).apply(
    lambda x: x.loc[x['Year'] == 2019, 'Yearly_rank'].values[0] - x.loc[x['Year'] == 2016, 'Yearly_rank'].values[0]
).reset_index(name='Rank_Change_2016_2019')

注意：若某国家缺失2016或2019年数据，此方法会报错，适合数据完整的场景。

方式二：透视表计算（更稳健）

先将数据转为透视表，再计算差值，自动处理缺失数据（缺失时显示NaN）：

# 生成透视表，行维度为Region+Country，列维度为Year，值为Yearly_rank
pivot_df = filtered_df.pivot_table(index=['Region', 'Country'], columns='Year', values='Yearly_rank')
# 计算2019-2016年的排名变化
pivot_df['Rank_Change_2016_2019'] = pivot_df[2019] - pivot_df[2016]
# 重置索引得到结构化结果
result_df = pivot_df.reset_index()

结果说明 #

• Rank_Change_2016_2019为正值：表示该国家2019年排名比2016年下降（比如从第2名掉到第5名，差值为3）
• Rank_Change_2016_2019为负值：表示该国家2019年排名比2016年上升（比如从第5名升到第2名，差值为-3）
• 若出现NaN，说明对应国家缺失2016或2019年的排名数据，可根据需求用fillna()填充处理。

内容的提问来源于stack exchange，提问作者Amir Katorza