是否有一种方法可以根据其他两列上的条件来移动数据帧列？比如：
df[“累计关闭值”]=df.groupby（“用户”）.[close\u cumsum'].移位时间（df[“关闭时间”]>；df[“打开时间]）
我已经找到了一种方法，但效率很低：
1）加载数据并创建要移位的列
df=pd.read\u csv（'data.csv'））
df.sort_值（['user'，'close_time'，]，inplace=True）
df['close_cumsum']=df.groupby（'user'）['value'].cumsum（）
df.sort_值（['user'，'open_time'，]，inplace=True）
打印（df）
输出：
用户打开\u时间关闭\u时间值关闭\u累计
0 1 2017-01-01 2017-03-01 5 18
1 1 2017-01-02 2017-02-01 6 6
2 1 2017-02-03 2017-02-05 7 13
3 1 2017-02-07 2017-04-01 3 21
4 1 2017-09-07 2017-09-11 1 22
5 2 2018-01-01 2018-02-01 15 15
6 2 2018-03-01 2018-04-01 3 18
2）使用自联接和一些筛选器移动列
自连接（这是内存效率低下的）df2=pd.merge（df[['user'，'open\u time']]，df['user'，'close\u time'，'close\u cumsum']]，on='user'）
筛选“关闭时间”<；’开放时间’。然后获取具有最大关闭时间的行
df2=df2[df2['close\u time']<；df2['open\u time']]
idx=df2.groupby（['user'，'open\u time']）['close\u time']）。transform（max）==df2['close\u time']
df2=df2[idx]
3）与原始数据集合并：
df3=pd.merge（df['user'，'open\u time'，'close\u time'，'value']]，df2['user'，'open\u time'，'close\u cumsum']]，how='left'）
打印（df3）
输出：
用户打开\u时间关闭\u时间值关闭\u累计
01 2017-01-01 2017-03-01 5 NaN
1 2017-01-02 2017-02-01 6南
2 1 2017-02-03 2017-02-05 7 6.0
3 1 2017-02-07 2017-04-01 3 13.0
4 1 2017-09-07 2017-09-11 1 21.0
522018-01-01 2018-02-01 15南
6 2 2018-03-01 2018-04-01 3 15.0
有更多的方法可以获得相同的结果？
编辑：我添加了一行数据，使情况更加清楚。
我的目标是获得新交易开始时间之前关闭的所有交易的总和
我在这里使用一个新的段落记录条件df2['close\u time']<；df2[开放时间]
df['New']=（（df.open\u time-df.close\u time.shift（））.dt.days>；0）。shift（-1）
s=df.groupby（'user'）.apply（lambda x:（x['value']*x['New']）.cumsum（）.shift（））.reset_index（level=0，drop=True）
s、 loc[~（df.New.shift（）=True）]=np.nan
df['Cumsum']=s
df
Out[1043]：
用户打开\u时间关闭\u时间值新累计
01 2017-01-01 2017-03-01 5假NaN
1 2017-01-02 2017-02-01 6真南
2017-02-03 2017-02-05 7真实6
3 1 2017-02-07 2017-04-01 3假13
4 2 2017-01-01 2017-02-01 15真南
5 2 2017-03-01 2017-04-01 3南15
更新：自op更新问题（数据来自Gabriel A）
df['New']=df.user.map（df.groupby（'user'）.close\u time.apply（lambda x:np.array（x）））
df['New1']=df.user.map（df.groupby（'user'）.value.apply（lambda x:np.array（x）））
df['New2']=[[x>；m代表y中的m]代表x，y代表zip中的y（df['open_time']，df['New']）]
df['Yourtarget']=列表（映射（总和，df['New2']*df['New1'].值））
drop（['New'，'New1'，'New2'，1）
Output[1376]：
用户打开\u时间关闭\u时间值Yourtarget
0 1 2016-12-30 2016-12-31 1 0
1 1 2017-01-01 2017-03-01 5 1
2 1 2017-01-02 2017-02-01 6 1
3 1 2017-02-03 2017-02-05 7 7
4 1 2017-02-07 2017-04-01 3 14
5 1 2017-09-07 2017-09-11 1 22
6 2 2018-01-01 2018-02-01 15 0
7 2 2018-03-01 2018-04-01 3 15