{"id":4160,"date":"2023-07-13T04:41:09","date_gmt":"2023-07-13T04:41:09","guid":{"rendered":"https:\/\/statorials.org\/pl\/pandy-spelnione-warunek\/"},"modified":"2023-07-13T04:41:09","modified_gmt":"2023-07-13T04:41:09","slug":"pandy-spelnione-warunek","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/pandy-spelnione-warunek\/","title":{"rendered":"Pandy: jak u\u017cywa\u0107 wype\u0142nienia w zale\u017cno\u015bci od stanu"},"content":{"rendered":"

<\/p>\n

\n

Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni, aby u\u017cy\u0107 funkcji ffill()<\/strong> w pandach do przekazywania warto\u015bci wype\u0142nienia na podstawie warunku w innej kolumnie:<\/span><\/p>\n

 df[' sales<\/span> '] = df. groupby<\/span> (' store<\/span> ')[' sales<\/span> ']. ffill<\/span> ()\n<\/strong><\/pre>\n
 Ten konkretny przyk\u0142ad przeka\u017ce warto\u015bci wype\u0142nienia w kolumnie sprzeda\u017cy<\/strong> tylko wtedy, gdy poprzednia warto\u015b\u0107 w kolumnie sklepu<\/strong> b\u0119dzie r\u00f3wna bie\u017c\u0105cej warto\u015bci w kolumnie sklepu<\/strong> .<\/span><\/p>\n
 Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce.<\/span><\/p>\n
 Przyk\u0142ad: u\u017cyj wype\u0142nienia w oparciu o warunek w Pandach<\/strong><\/span><\/h2>\n
 Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych pand, kt\u00f3ra zawiera informacje o ca\u0142kowitej sprzeda\u017cy zrealizowanej przez dwa r\u00f3\u017cne sklepy detaliczne w ci\u0105gu czterech kwarta\u0142\u00f3w biznesowych:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' store<\/span> ': ['A', 'A', 'B', 'A', 'B', 'A', 'B', 'B'],\n                   ' quarter<\/span> ': [1, 2, 1, 3, 2, 4, 3, 4],\n                   ' sales<\/span> ': [12, 22, 30, np.nan, 24, np.nan, np.nan, np.nan]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n  store quarter sales\n0 A 1 12.0\n1 to 2 22.0\n2 B 1 30.0\n3 to 3 NaN\n4 B 2 24.0\n5 A 4 NaN\n6 B 3 NaN\n7 B 4 NaN<\/strong><\/pre>\n
 Pami\u0119taj, \u017ce w kolumnie Sprzeda\u017c<\/strong> znajduje si\u0119 wiele warto\u015bci NaN.<\/span><\/p>\n
 Za\u0142\u00f3\u017cmy, \u017ce chcemy wype\u0142ni\u0107 te warto\u015bci NaN poprzedni\u0105 warto\u015bci\u0105 w kolumnie Sprzeda\u017c<\/strong> , ale chcemy si\u0119 upewni\u0107, \u017ce warto\u015bci odpowiadaj\u0105 w\u0142a\u015bciwemu sklepowi.<\/span><\/p>\n
 W tym celu mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni:<\/span><\/p>\n
 #group by store and forward fill values in sales column<\/span>\ndf[' sales<\/span> '] = df. groupby<\/span> (' store<\/span> ')[' sales<\/span> ']. ffill<\/span> ()\n\n#view updated DataFrame<\/span>\nprint<\/span> (df)\n\n  store quarter sales\n0 A 1 12.0\n1 to 2 22.0\n2 B 1 30.0\n3 A 3 22.0\n4 B 2 24.0\n5 A 4 22.0\n6 B 3 24.0\n7 B 4 24.0\n<\/strong><\/pre>\n
 Nale\u017cy pami\u0119ta\u0107, \u017ce warto\u015bci NaN w kolumnie Sprzeda\u017c<\/strong> zosta\u0142y zast\u0105pione poprzedni\u0105 warto\u015bci\u0105 Sprzeda\u017cy i warto\u015bci odpowiadaj\u0105 w\u0142a\u015bciwemu sklepowi.<\/span><\/p>\n
 Na przyk\u0142ad:<\/span><\/p>\n