python - Incremento de agregar bajo condición en pandas

Question

Para el siguiente marco de datos de pandas

    servo_in_position   second_servo_in_position    Expected output
0   0   1   0
1   0   1   0
2   1   2   1
3   0   3   0
4   1   4   2
5   1   4   2
6   0   5   0
7   0   5   0
8   1   6   3
9   0   7   0
10  1   8   4
11  0   9   0
12  1   10  5
13  1   10  5
14  1   10  5
15  0   11  0
16  0   11  0
17  0   11  0
18  1   12  6
19  1   12  6
20  0   13  0
21  0   13  0
22  0   13  0

Quiero aumentar la columna "Salida esperada" solo si "servo_in_position" cambia de 0 a 1. También quiero asumir que "Salida esperada" es 0 (nulo) si "servo_in_position" es igual a 0.

Lo intenté

input_data[''second_servo_in_position'']=(input_data.servo_in_position.diff()!=0).cumsum()

pero da salida como en la columna "second_servo_in_position", que no es lo que quería.

Después de eso me gustaría agrupar y calcular la media usando:

print("Mean=/n/n",input_data.groupby(''second_servo_in_position'').mean())

Answer 1

Ayuna con Numba

from numba import njit

@njit
def f(u):
    out = np.zeros(len(u), np.int64)
    a = out[0] = u[0]
    for i in range(1, len(u)):
        if u[i] == 1:
            if u[i - 1] == 0:
                a += 1
            out[i] = a
    return out

f(df.servo_in_position.to_numpy())

array([0, 0, 1, 0, 2, 2, 0, 0, 3, 0, 4, 0, 5, 5, 5, 0, 0, 0, 6, 6, 0, 0, 0])

Answer 2

Eso es cumsum y mul

df.servo_in_position.diff().eq(1).cumsum().mul(df.servo_in_position.eq(1),axis=0)

Answer 3

Prueba np.where :

df[''Expected_output''] = np.where(df.servo_in_position.eq(1),
                                 df.servo_in_position.diff().eq(1).cumsum(),
                                 0)

Answer 4

Usa cumsum y mask :

df[''E_output''] = df[''servo_in_position''].diff().eq(1).cumsum()/
                                        .mask(df[''servo_in_position''] == 0, 0)

Salida:

    servo_in_position  second_servo_in_position  Expected output  E_output
0                   0                         1                0         0
1                   0                         1                0         0
2                   1                         2                1         1
3                   0                         3                0         0
4                   1                         4                2         2
5                   1                         4                2         2
6                   0                         5                0         0
7                   0                         5                0         0
8                   1                         6                3         3
9                   0                         7                0         0
10                  1                         8                4         4
11                  0                         9                0         0
12                  1                        10                5         5
13                  1                        10                5         5
14                  1                        10                5         5
15                  0                        11                0         0
16                  0                        11                0         0
17                  0                        11                0         0
18                  1                        12                6         6
19                  1                        12                6         6
20                  0                        13                0         0
21                  0                        13                0         0
22                  0                        13                0         0

Answer 5

Usando cumsum y aritmética.

u = df[''servo_in_position'']

(u.eq(1) & u.shift().ne(1)).cumsum() * u

0     0
1     0
2     1
3     0
4     2
5     2
6     0
7     0
8     3
9     0
10    4
11    0
12    5
13    5
14    5
15    0
16    0
17    0
18    6
19    6
20    0
21    0
22    0
Name: servo_in_position, dtype: int64