熊猫列名

Question

我有在最左边的列和其他列的正向曲线（以下DF1）

DF1一些代码的DF：

code  tp1  tp2  tp3  tp4  tp5  tp6 \ 
0 1111 0.000000 0.000000 0.018714 0.127218 0.070055 0.084065 
1 222 0.000000 0.000000 0.000418 0.000000 0.017540 0.003015 
2 333 1.146815 1.305678 0.384918 0.688284 0.000000 0.000000 
3 444 0.000000 0.000000 1.838797 0.000000 0.000000 0.000000 
4 555 27.190002 27.134837 24.137560 17.739465 11.990806 8.631395 
5 666 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 

     tp7  tp8  tp9  tp10 
0 0.019707 0.000000 0.000000 0.000000 
1 6.594860 10.535905 15.697232 21.035824 
2 0.000000 0.000000 0.000000 0.000000 
3 0.000000 0.000000 0.000000 0.000000 
4 7.476197 6.461532 5.570051 4.730345 
5 0.000000 0.000068 0.000000 0.000000 

我想输出为具有最后一个数字（+ ve或-ve）的单元（对于每个代码）的列名称的3列df（下面的df2），其后仅有0。第二列（tp_with_max_num）将具有最大数目的列名称。

DF2：

code max_tp tp_with_max_num 
0 1111 tp7    tp4 
1 222 tp10   tp10 
2 333 tp4    tp2 
3 444 tp3    tp3 
4 555 tp10    tp1 
5 666 tp8    tp8 

使用此：name of column, that contains the max value 我能得到第3列：

input_df['tp_with_max_num'] = input_df.ix[0:6,1:].apply(lambda x: input_df.columns[1:][x == x.max()][0], axis=1) 

我无法解决在DF2第2列....

Answer 1

明知idxmax返回第一最大的指数，你可以使用cumsum找到列之后，只有零：

df.ix[:, 'tp1':].cumsum(axis=1).idxmax(axis=1) 
Out[61]: 
0  tp7 
1 tp10 
2  tp4 
3  tp3 
4 tp10 
5  tp8 
dtype: object 

Answer 2

如果临时替换，可以在该行上使用argmax返回第二列最大值的列名称与NaN那么你可以使用last_valid_index与最后非零值返回列：

In [117]: 
df['max_tp'], df['tp_with_max_num'] = df.ix[:,'tp1':].replace(0,np.NaN).apply(lambda x: x.last_valid_index(), axis=1), df.ix[:,'tp1':].apply(lambda x: x.argmax(), axis=1) 
df[['max_tp','tp_with_max_num']] 

Out[117]: 
    max_tp tp_with_max_num 
0 tp7    tp4 
1 tp10   tp10 
2 tp4    tp2 
3 tp3    tp3 
4 tp10    tp1 
5 tp8    tp8 

Answer 3

更快的是使用：

print (df.ix[:,'tp1':].idxmax(axis=1)) 
0  tp4 
1 tp10 
2  tp2 
3  tp3 
4  tp1 
5  tp8 
dtype: object 

时序：

df = pd.concat([df]*1000).reset_index(drop=True) 

In [128]: %timeit (df.ix[:,'tp1':].idxmax(axis=1)) 
100 loops, best of 3: 5.9 ms per loop 

In [129]: %timeit (df.ix[:,'tp1':].apply(lambda x: x.argmax(), axis=1)) 
1 loop, best of 3: 237 ms per loop 

In [130]: %timeit (df.ix[:,'tp1':].replace(0,np.NaN).apply(lambda x: x.last_valid_index(), axis=1)) 
10 loops, best of 3: 126 ms per loop 

In [131]: %timeit (df.ix[:, 'tp1':].cumsum(axis=1).idxmax(axis=1)) 
100 loops, best of 3: 6.71 ms per loop 

所以我的和ayhan解决方案的速度越快。