如何在Pandas DataFrame中按名称识别排名提升（数值下降）的产品趋势？

嘿，我懂你遇到的问题了！你之前的代码是对整个DataFrame做diff()计算，相当于把所有产品的排名混在一起对比了，完全没考虑按NAME分组分析——这肯定不是你要的效果对吧？

别担心，咱们只需要做两个关键调整就能解决：

第一步：先按产品和时间排序（必做！） #

首先得确保每个产品的记录是按SNAPDATE的先后顺序排列的，不然diff()计算出来的差值会完全混乱：

df = df.sort_values(by=['NAME', 'SNAPDATE'])

第二步：按NAME分组计算排名差值 #

用groupby把数据按产品分组，然后在每个组内计算RANK的相邻差值，这样就只会对比同一个产品在不同时间的排名变化了：

import numpy as np
import pandas as pd

# 计算每个产品组内的RANK差值
df['rank_diff'] = df.groupby('NAME')['RANK'].diff()

# 标记排名变化：注意哦，你说的「排名提升」对应RANK数值下降，也就是diff为负数
df['change'] = np.where(
    df['rank_diff'] < 0, 
    '排名提升',  # 这里可以换成你习惯的描述，比如'promoted'
    np.where(
        df['rank_diff'] > 0, 
        '排名下降',  # 对应RANK数值上升
        '无变化'
    )
)

第三步：筛选出排名提升的产品 #

如果只想看那些有排名提升的记录，直接过滤就行：

promoted_records = df[df['change'] == '排名提升']
print(promoted_records)

小提醒 #

• 如果某个产品只有一条记录，rank_diff会显示NaN，你可以根据需求用fillna()把它替换成类似「首次出现」的标记
• 一定要记得先排序！如果时间顺序乱了，差值的正负就会反过来，结果完全不对

内容的提问来源于stack exchange，提问作者Cyrille MODIANO