Pandas系列|第十期:将全部行按照其中两列生成的列表展开

背景:

不同的编码item有最早供应周期与最晚供应周期,在最早供应周期、最晚供应周期之间的每个供应周期展开生成一笔9999的供应量

关键点:apply函数的应用

解决方案:

import pandas as pd

df_item_is_auto = pd.DataFrame({
    'ITEM': ['A', 'B', 'C'],
    'LAST_PERIOD': [5, 4, 6],
    'EARLIEST_PERIOD': [1, 2, 3]
})

def expand_periods(row):
    periods = range(int(row['EARLIEST_PERIOD']), int(row['LAST_PERIOD']) + 1)
    item_data = pd.DataFrame({
        'ITEM': [row['ITEM']] * len(periods),
        'PERIOD': periods,
        'QTY': [9999] * len(periods)
    })
    return item_data

# 使用apply函数展开数据
df = df_item_is_auto.apply(expand_periods, axis=1).reset_index(drop=True)
df = pd.concat([df[i] for i in range(len(df))], axis=0, ignore_index=True)
print(df)

输出结果:

   ITEM  PERIOD   QTY
0     A       1  9999
1     A       2  9999
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值