如何按ID存储行历史值并在条件触发时更新Load编号与日期？

我来帮你搞定这个时序数据的分组计算问题～先说说你原来代码里的几个小问题：

• 全局变量curr_load会在不同ID之间共享状态，导致编号串味（比如ID11的计数会接着ID10的数值继续加）
• 手动循环ID的方式不仅效率低，而且代码里没把处理后的data拼回newdata，等于白忙活
• Load的判断条件写错啦！你代码里判断的是data['Load'] == 'Load'，但实际数据里触发条件是Yes

其实用Pandas的分组和矢量化操作就能完美解决，根本不用递归或者手动循环每个ID，代码简洁还高效。

完整实现代码 #

import pandas as pd

# 先构造你的示例数据（模拟输入）
data = pd.DataFrame({
    'Date-Time': ['10/22/2019', '10/23/2019', '10/24/2019', '10/25/2019', '10/26/2019', '10/27/2019',
                  '10/22/2019', '10/23/2019', '10/24/2019', '10/25/2019', '10/26/2019', '10/27/2019'],
    'Volume': [3862, 3800, 3700, 5000, 4900, 4800,
               3862, 3800, 3700, 5000, 4900, 4800],
    'ID': [10, 10, 10, 10, 10, 10,
           11, 11, 11, 11, 11, 11],
    'Load': ['', '', '', 'Yes', '', '',
             '', '', '', 'Yes', '', '']
})

# 处理Load_number列：按ID分组，每次遇到Load=Yes时递增，后续行沿用
data['Load_number'] = data.groupby('ID')['Load'].apply(
    lambda x: (x == 'Yes').cumsum()
).reset_index(level=0, drop=True)

# 处理LoadDate列：按ID分组，记录最近一次Load=Yes的日期，无则填0
data['LoadDate'] = data.groupby('ID').apply(
    lambda x: x['Date-Time'].where(x['Load'] == 'Yes').ffill()
).reset_index(level=0, drop=True)
# 把开头的NaN替换成0
data['LoadDate'] = data['LoadDate'].fillna(0)

# 查看结果
print(data)

代码解释 #

1. Load_number 计算逻辑：

   • 按ID分组后，先把Load等于Yes的行标记为1，其他为0
   • 用cumsum()做累计求和，这样每遇到一次Yes，计数就加1，后续行自动继承当前的计数值，完美实现你要的"触发后递增，后续沿用"的效果

2. LoadDate 计算逻辑：

   • 同样按ID分组，只保留Load=Yes行的Date-Time，其他行设为NaN
   • 用ffill()（向前填充）把NaN替换成最近一次出现的Yes对应的日期
   • 最后把分组后开头的NaN（还没出现Yes的行）替换成0，符合你的示例要求

验证结果 #

运行代码后，输出会和你期望的示例完全一致：

• 每个ID的计数独立，不会互相干扰
• 触发Yes后，后续行的Load_number保持递增后的数值，LoadDate保持触发日期
• 未触发的行Load_number为0，LoadDate为0

内容的提问来源于stack exchange，提问作者Amogh