一、需求

示例數據：

   項  目
0  1  0
1  0  1
2  0  2
3  0  3
4  0  4

使用 Pandas 實現當 目 列的值不為 0 時，將當前行的 項 列值修改為上一行的 項 列值：

   項  目
0  1  0
1  1  1
2  1  2
3  1  3
4  1  4

二、實現代碼

案例代碼

import pandas as pd# 創建示例數據
df = pd.DataFrame({'項': [1, 0, 0, 0, 0],'目': [0, 1, 2, 3, 4]
})
print(df)# 當`目`列不為0時，`項`列的值被替換為NaN，然后向前填充
df['項'] = df['項'].mask(df['目'] != 0).ffill().astype(int)print(df)

詳細解釋

1. 導入庫和創建數據

import pandas as pd# 創建示例數據
df = pd.DataFrame({'項': [1, 0, 0, 0, 0],'目': [0, 1, 2, 3, 4]
})

• 首先導入Pandas庫并簡稱為pd
• 創建一個DataFrame df，包含兩列：
  • "項"列：初始值為[1, 0, 0, 0, 0]
  • "目"列：初始值為[0, 1, 2, 3, 4]

初始數據如下：

   項  目
0  1  0
1  0  1
2  0  2
3  0  3
4  0  4

2. 條件替換與填充

df['項'] = df['項'].mask(df['目'] != 0).ffill().astype(int)

這行代碼執行了多個操作，我們將其分解：

a. 條件掩碼 - mask()

df['項'].mask(df['目'] != 0)

• df['目'] != 0 創建一個布爾Series：[False, True, True, True, True]
• mask()函數會用NaN替換滿足條件（True）的位置
• 結果："項"列變為 [1, NaN, NaN, NaN, NaN]

b. 向前填充 - ffill()

.ffill()

• 向前填充（Forward Fill）方法會用前一個有效值填充NaN
• 對于我們的數據：
  • 第一個值是1（保持不變）
  • 后續NaN被前一個有效值1填充
• 結果："項"列變為 [1, 1, 1, 1, 1]

c. 類型轉換 - astype(int)

.astype(int)

• 將填充后的浮點數（因為NaN是浮點類型）轉換為整數
• 最終"項"列變為 [1, 1, 1, 1, 1]

3. 打印結果

print(df)

輸出結果：

   項  目
0  1  0
1  1  1
2  1  2
3  1  3
4  1  4

三、實際應用場景

這種操作在實際數據處理中很有用，例如：

1. 數據清洗：當某列（如"目"）有特定值時，需要重置另一列（如"項"）的值
2. 時間序列處理：在某個事件發生后（如"目"列不為0表示事件發生），需要保持某個狀態（如"項"列的值）
3. 標記傳播：將某個標記從特定點向前傳播

四、可能的變體

1. 向后填充：使用.bfill()而不是.ffill()
2. 不同條件：可以修改mask的條件邏輯
3. 填充特定值：可以使用.fillna()填充特定值而非前向填充

五、總結

這段代碼展示了Pandas中幾個強大功能的組合使用：

• mask()：基于條件替換值
• ffill()：向前填充缺失值
• astype()：數據類型轉換

通過這種組合，可以高效地實現復雜的數據轉換邏輯，這在數據預處理和分析中非常常見。理解這些基本操作的組合方式，可以幫助我們更靈活地處理各種數據清洗和轉換任務。