# 实验1
# df_test检查col1是否会随col0的增大而减小
df_test = pd.DataFrame(
data=[
range(10),
range(10)[::-1]
],
index=['col'+str(i) for i in range(2)]
).T
round(df_test['col0'].corr(df_test['col1'])) == (-1) # 计算相关系数
round(df_test.corrwith(df_test['col0']).loc['col1']) == (-1) # 计算相关系数
df_test.eval('col1 < col1.shift()').iloc[1:].all() # shift() 将元素向下位移一个位置
df_test.eval('col1.diff() < 0').iloc[1:].all() # diff() 方法计算相邻元素之间的差异
df_test['col1'].diff().lt(0).iloc[1:].all() # lt(0) 是一个条件操作,它用于比较Series中的每个元素是否小于0
# lt和le函数分别用于执行元素级的"小于"和"小于或等于"比较操作
# .diff().lt(0).groupby(level=0).all() # 使用groupby()代替参数level
# 实验2
# df_test检查每个col1分类下col2是否会随col1的增大而减小
df_test = pd.DataFrame(
data=[
np.repeat(['index'+str(i) for i in range(2)], 5),
range(10),
range(10)[::-1]
],
index=['col'+str(i) for i in range(3)]
).T
df_test.groupby('col1')['col2'].apply(lambda x: pd.Index(pd.to_numeric(x)).is_monotonic_decreasing).all() # 将序列转换为数值类型
df_test.groupby('col1')['col2'].apply(lambda x: pd.Index(x.astype(int)).is_monotonic_decreasing).all() # 将序列转换为数值类型