降排在熊貓特定值GROUPBY

Question

我有一個熊貓（多指數）數據幀如下：

   date  Volume 
Account ID      
10001 2 02-03-2017 0 
     3 02-03-2017 0 
     3 09-03-2017 0 
     3 16-03-2017 50 
     3 21-03-2017 65 
     3 28-03-2017 0 
     3 04-04-2017 0 
     3 11-04-2017 60 
10002 5 02-03-2017 14.5 
     6 09-03-2017 14.5 
     3 09-03-2017 0 
     3 16-03-2017 0 
     3 21-03-2017 20 
     3 28-03-2017 33 
10003 8 21-03-2017 14.5 
     9 28-03-2017 15.0 

現在我想刪除開始的在所有行系列（帳戶 - 產品組合的日期）與卷0所以我想保留與第0卷的行，以防它們在中間或系列的末尾。

所以在上面的例子中，我想下面的輸出：

   date  Volume 
Account ID      
10001 3 16-03-2017 50 
     3 21-03-2017 65 
     3 28-03-2017 0 
     3 04-04-2017 0 
     3 11-04-2017 60 
10002 5 02-03-2017 14.5 
     6 09-03-2017 14.5 
     3 21-03-2017 20 
     3 28-03-2017 33 
10003 8 21-03-2017 14.5 
     9 28-03-2017 15.0 

目前，我已經有一個過濾器，例如去除完整系列

df = data.groupby(level = acc_prod).filter(lambda x: len(x) > 26) 

我見過只刪除第一行的例子; Python: Pandas - Delete the first row by group。然而我不知道如何僅在在帳戶產品系列的開頭刪除零行。

如果有人能夠幫助我，這將是偉大的！

Answer 1

可以使用boolean indexing通過groupby與cumsum創建mask和查找不0值：

print (df.groupby(level=['Account','ID'])['Volume'].cumsum()) 
Account ID 
10001 2  0.0 
     3  0.0 
     3  0.0 
     3  50.0 
     3  115.0 
     3  115.0 
     3  115.0 
     3  175.0 
10002 5  14.5 
     6  14.5 
     3  0.0 
     3  0.0 
     3  20.0 
     3  53.0 
10003 8  14.5 
     9  15.0 
Name: Volume, dtype: float64 

mask = df.groupby(level=['Account','ID'])['Volume'].cumsum() != 0 
#!= is same as ne function 
#mask = df.groupby(level=['Account','ID'])['Volume'].cumsum().ne(0) 
print (mask) 
Account ID 
10001 2  False 
     3  False 
     3  False 
     3  True 
     3  True 
     3  True 
     3  True 
     3  True 
10002 5  True 
     6  True 
     3  False 
     3  False 
     3  True 
     3  True 
10003 8  True 
     9  True 
Name: Volume, dtype: bool 

print (df[mask]) 
        date Volume 
Account ID      
10001 3 16-03-2017 50.0 
     3 21-03-2017 65.0 
     3 28-03-2017  0.0 
     3 04-04-2017  0.0 
     3 11-04-2017 60.0 
10002 5 02-03-2017 14.5 
     6 09-03-2017 14.5 
     3 21-03-2017 20.0 
     3 28-03-2017 33.0 
10003 8 21-03-2017 14.5 
     9 28-03-2017 15.0