[英]Pandas aggregate count distinct
假設我有一個用戶活動日志,我想生成一份關於總持續時間和每天唯一用戶數的報告。
import numpy as np
import pandas as pd
df = pd.DataFrame({'date': ['2013-04-01','2013-04-01','2013-04-01','2013-04-02', '2013-04-02'],
'user_id': ['0001', '0001', '0002', '0002', '0002'],
'duration': [30, 15, 20, 15, 30]})
聚合持續時間非常簡單:
group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg
duration
date
2013-04-01 65
2013-04-02 45
我想做的是同時對持續時間和不同計數求和,但我似乎找不到 count_distinct 的等效項:
agg = group.aggregate({ 'duration': np.sum, 'user_id': count_distinct})
這行得通,但肯定有更好的方法,不是嗎?
group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg['uv'] = df.groupby('date').user_id.nunique()
agg
duration uv
date
2013-04-01 65 2
2013-04-02 45 1
我想我只需要提供一個 function,它將 object 系列的不同項目的計數返回到聚合 function,但我沒有太多接觸可供我使用的各種庫。 此外,groupby object 似乎已經知道此信息,所以我不會只是重復工作嗎?
如何:
>>> df
date duration user_id
0 2013-04-01 30 0001
1 2013-04-01 15 0001
2 2013-04-01 20 0002
3 2013-04-02 15 0002
4 2013-04-02 30 0002
>>> df.groupby("date").agg({"duration": np.sum, "user_id": pd.Series.nunique})
duration user_id
date
2013-04-01 65 2
2013-04-02 45 1
>>> df.groupby("date").agg({"duration": np.sum, "user_id": lambda x: x.nunique()})
duration user_id
date
2013-04-01 65 2
2013-04-02 45 1
自熊貓0.20.0起,'nunique'是.agg()的選項,因此:
df.groupby('date').agg({'duration': 'sum', 'user_id': 'nunique'})
僅添加到已經給出的答案中,使用字符串"nunique"
的解決方案似乎要快得多,在此處對"nunique"
行數據幀進行了測試,然后分組為"nunique"
%time _=g.agg({"id": lambda x: x.nunique()})
CPU times: user 3min 3s, sys: 2.94 s, total: 3min 6s
Wall time: 3min 20s
%time _=g.agg({"id": pd.Series.nunique})
CPU times: user 3min 2s, sys: 2.44 s, total: 3min 4s
Wall time: 3min 18s
%time _=g.agg({"id": "nunique"})
CPU times: user 14 s, sys: 4.76 s, total: 18.8 s
Wall time: 24.4 s
如果您只想獲得每個組的多個不同值,您可以直接將方法nunique
與DataFrameGroupBy
object 一起使用:
df.groupby('date')['user_id'].nunique()
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.