我正在尝试创建一个检查，它将拾取每月收到的二进制数据中的异常更改。我的DataFrame（见下面的示例）有多个实体，每月都会为其分配一个“排除标志”（1=排除，0=包含）。

import pandas as pd
d = {'Date': [20210101, 20210201,20210301,20210401,20210501,
              20210101, 20210201,20210301,20210401,20210501,
              20210101,20210201,20210301,20210401,20210501,
             20210101,20210201,20210301,20210401,20210501,
             20210101,20210201,20210301,20210401,20210501,
             20210101,20210201,20210301,20210401,20210501,], 
              
     'Entity': ['A','A','A','A','A',
                'B','B','B','B','B',
                'C','C','C','C','C',
                 'D','D','D','D','D',
               'E','E','E','E','E',
               'F','F','F','F','F'],
    'Exclusion': [1,1,1,1,1,
                  0,0,0,1,1,
                  0,0,0,1,0,
                  1,0,1,0,1,
                  1,1,1,1,0,
                 0,1,1,1,0]}
df = pd.DataFrame(data=d)
df.columns

##pd.melt(df, id_vars =['Date'],value_vars='Entity')

pd.pivot(df, index=['Date'], columns = 'Entity',values = 'Exclusion')

如果我根据前几个月观察到的趋势验证2022年5月的数据，检查将：
1.接受实体A的新值（值1与历史记录一致）
1.接受实体B的新值（历史中观察到一些变化，但没有逐月变化）
1.接受实体C的变更（值从1变为0，但零与历史值一致，例如，接受条件可以是：过去的0多于1，因此我可以将此值恢复为0）
1.接受图元D的更改（值在0和1之间定期翻转）
1.将实体E的更改标记为可疑（第一次出现0）
1.将实体F的变化标记为可疑（不是第一次出现0，但过去几个月的趋势已被打破）。
有没有人能推荐一个简单的方法来解决这个问题，而不应用大量的机器学习？我的目标不是一个完美的检查，将100%满足6个条件，而只是一些尝试简单的预测什么更有可能发生作为下个月的值（1或0）基于过去的数据。
我试过的一件事是np.polyfit（使用月份作为我的x，尽管我的数据不受季节性的影响）然而，仅设法应用于处理1个实体的场景，在我的情况下，实体的可能数量将大约为3 K，数据的月数是我可以随意使用并应用一些限制的东西（例如，只考虑过去6个月）。我是一个python新手，也是第一次在这里发帖，所以希望我把我的问题解释得足够清楚-如果你需要任何额外的信息，请让我知道。
先谢了！