append 序列号，使用 padas 填充零到系列

Question

我有一个 dataframe 如下图所示

df = pd.DataFrame({'person_id': [101,101,101,101,202,202,202],
                        'login_date':['5/7/2013 09:27:00 AM','09/08/2013 11:21:00 AM','06/06/2014 08:00:00 AM','06/06/2014 05:00:00 AM','12/11/2011 10:00:00 AM','13/10/2012 12:00:00 AM','13/12/2012 11:45:00 AM']})
df.login_date = pd.to_datetime(df.login_date)
df['logout_date'] = df.login_date + pd.Timedelta(days=5)
df['login_id'] = [1,1,1,1,8,8,8]

正如您在示例 dataframe 中看到的那样，即使用户的login和logout日期不同， login_id也是相同的。

例如， person = 101以 4 个不同的时间戳登录和注销。 但他有相同的 login_ids，这是不正确的。

相反，我想生成一个new login_id列，其中每个人都获得一个新的 login_id，但在随后的登录中保留第1st login_id信息。 所以，我们可以知道它是一个序列

我尝试了以下方法，但效果不佳

df.groupby(['person_id','login_date','logout_date'])['login_id'].rank(method="first", ascending=True) + 100000

我希望我的 output 如下所示。 您可以看到1和8 ，每个人的第一个 login_id 是如何保留在他们随后的login_ids中的。 我们只是通过添加00001和根据行数加一来添加一个序列。

请注意，我想将此应用于大数据，并且login_ids在实际数据中可能不仅仅是single digit 。 例如，第一个 login_id 甚至可以是576869578等随机数。 在这种情况下，后续登录 ID 将为57686957800001 。 希望这可以帮助。 无论该主题的第一个login_id是什么，根据该人拥有的行数添加00001 、 00002等。 希望这可以帮助

Answer 1

更新 2：刚刚意识到我之前的答案也在第一个索引中添加了 100000。 这是一个使用GroupBy.transform()仅将 100000 添加到后续索引的版本：

cumcount = df.groupby(['person_id','login_id']).login_id.cumcount()
df.login_id = df.groupby(['person_id','login_id']).login_id.transform(
    lambda x: x.shift().mul(100000).fillna(x.min())
).add(cumcount)

    person_id           login_date          logout_date  login_id
# 0       101  2013-05-07 09:27:00  2013-05-12 09:27:00         1
# 1       101  2013-09-08 11:21:00  2013-09-13 11:21:00    100001
# 2       101  2014-06-06 08:00:00  2014-06-11 08:00:00    100002
# 3       101  2014-06-06 05:00:00  2014-06-11 05:00:00    100003
# 4       202  2011-12-11 10:00:00  2011-12-16 10:00:00         8
# 5       202  2012-10-13 00:00:00  2012-10-18 00:00:00    800001
# 6       202  2012-12-13 11:45:00  2012-12-18 11:45:00    800002

---

更新：更快的选择是使用GroupBy.cumcount()构建序列：

cumcount = df.groupby(['person_id','login_id']).login_id.cumcount()
df.login_id = df.login_id.mul(100000).add(cumcount)

#   person_id           login_date          logout_date  login_id
# 0       101  2013-05-07 09:27:00  2013-05-12 09:27:00    100000
# 1       101  2013-09-08 11:21:00  2013-09-13 11:21:00    100001
# 2       101  2014-06-06 08:00:00  2014-06-11 08:00:00    100002
# 3       101  2014-06-06 05:00:00  2014-06-11 05:00:00    100003
# 4       202  2011-12-11 10:00:00  2011-12-16 10:00:00    800000
# 5       202  2012-10-13 00:00:00  2012-10-18 00:00:00    800001
# 6       202  2012-12-13 11:45:00  2012-12-18 11:45:00    800002

---

您可以在GroupBy.apply()中构建序列：

df.login_id = df.groupby(['person_id','login_id']).login_id.apply(
    lambda x: pd.Series([x.min()*100000+seq for seq in range(len(x))], x.index)
)

Answer 2

login_id = df.groupby('person_id').login_id.apply(list)
def modify_id(x):
    result= []
    for index,value in enumerate(x):
        if index > 0:
            value = (int(value) * 100000) + index
        result.append(value)
    return result

df['ogin_id'] = login_id.apply(lambda x : modify_id(x)).explode().to_list()

会给output -

person_id	登录日期	注销日期	登录ID
101	2013-05-07 09:27:00	2013-05-12 09:27:00	1
101	2013-09-08 11:21:00	2013-09-13 11:21:00	100001
101	2014-06-06 08:00:00	2014-06-11 08:00:00	100002
101	2014-06-06 05:00:00	2014-06-11 05:00:00	100003
202	2011-12-11 10:00:00	2011-12-16 10:00:00	8
202	2012-10-13 00:00:00	2012-10-18 00:00:00	800001
202	2012-12-13 11:45:00	2012-12-18 11:45:00	800002

Answer 3

你可以利用你原来的rank()

df['login_id'] = df['login_id'] * 100000 + df.groupby(['person_id'])['login_id'].rank(method="first") - 1

# print(df)
   person_id          login_date         logout_date  login_id
0        101 2013-05-07 09:27:00 2013-05-12 09:27:00  100000.0
1        101 2013-09-08 11:21:00 2013-09-13 11:21:00  100001.0
2        101 2014-06-06 08:00:00 2014-06-11 08:00:00  100002.0
3        101 2014-06-06 05:00:00 2014-06-11 05:00:00  100003.0
4        202 2011-12-11 10:00:00 2011-12-16 10:00:00  800000.0
5        202 2012-10-13 00:00:00 2012-10-18 00:00:00  800001.0
6        202 2012-12-13 11:45:00 2012-12-18 11:45:00  800002.0

然后改变了每组的第一行

def change_first(group):
    group.loc[group.index[0], 'login_id'] = group.iloc[0]['login_id'] / 100000
    return group

df['login_id'] = df.groupby(['person_id']).apply(lambda group: change_first(group))['login_id']

# print(df)

   person_id          login_date         logout_date  login_id
0        101 2013-05-07 09:27:00 2013-05-12 09:27:00       1.0
1        101 2013-09-08 11:21:00 2013-09-13 11:21:00  100001.0
2        101 2014-06-06 08:00:00 2014-06-11 08:00:00  100002.0
3        101 2014-06-06 05:00:00 2014-06-11 05:00:00  100003.0
4        202 2011-12-11 10:00:00 2011-12-16 10:00:00       8.0
5        202 2012-10-13 00:00:00 2012-10-18 00:00:00  800001.0
6        202 2012-12-13 11:45:00 2012-12-18 11:45:00  800002.0

或者使用where()仅更新条件为 False 的行。

df_ = df['login_id'] * 100000 + df.groupby(['person_id'])['login_id'].rank(method="first") - 1

firsts = df.groupby(['person_id']).head(1).index

df['login_id'] = df['login_id'].where(df.index.isin(firsts), df_)