如何基于分组内历史状态值填充Python二进制列？

需求回顾 #

已将DataFrame按id和date升序排序，需实现：

• 若当前行status为4或6，且该id在此之前的历史记录中出现过状态2或3，则binary赋值为1
• 其余情况赋值为0
  示例中仅ID 4556的对应行需设为1，其余为0。

问题分析 #

原代码使用isin()仅做静态值匹配，未结合分组和时间维度的累积校验，无法判断当前行之前的历史状态，导致结果错误。

修正实现 #

利用Pandas的分组（groupby）和累积计算（cummax）实现时间维度的状态校验：

import pandas as pd
import numpy as np
from datetime import datetime

today = datetime.today().strftime('%Y-%m-%d')
frame = pd.DataFrame({
    'id': [1245, 4556, 2345, 4556, 1248, 4556, 4556],
    'status': [1,2,4,5,6, 3, 4],
    'date': ['2022-07-01', '2022-03-12', '2022-04-20', '2022-02-02', '2022-01-03', '2022-05-03', '2022-07-01']
})
# 按id和date升序排序，确保时间顺序正确
frame_ordered = frame.sort_values(['id','date'], ascending=True)

# 1. 按id分组，标记当前行及之前是否出现过状态2或3
frame_ordered['has_prev_2_3'] = frame_ordered.groupby('id')['status'].transform(
    lambda x: x.isin([2,3]).cummax()
)
# 2. 标记当前状态是否为4或6
current_status_valid = frame_ordered['status'].isin([4,6])
# 3. 结合两个条件生成binary列
frame_ordered['binary'] = np.where(current_status_valid & frame_ordered['has_prev_2_3'], 1, 0)

print(frame_ordered)

代码解释 #

• groupby('id')['status'].transform(lambda x: x.isin([2,3]).cummax())：按ID分组后，对每个ID的状态序列做累积最大值计算——只要之前出现过2或3，从该行开始往后的has_prev_2_3都会保持为True，精准实现时间维度的历史状态校验。
• current_status_valid：直接判断当前行状态是否符合4或6的要求。
• 最后用np.where结合两个条件，为binary列赋值。

输出结果 #

运行后，ID 4556中状态为4的行（2022-07-01）会被赋值为1，其余行均为0，完全符合需求。

内容的提问来源于stack exchange，提问作者NoaMi