如何總結熊貓數據框

Question

我有一個包含大約 20,xxx 條公交登機數據記錄的熊貓數據框。 數據集包含一個cardNumber字段，該字段對於每個乘客都是唯一的。 有一個type字段用於標識登機類型。 有一個routeName列指定登機發生在哪條路線，最后一個Date列標識登機發生的時間。 我在下面提供了一個模擬數據框。

df = pd.DataFrame(
    {'cardNumber': ['999', '999', '999', '999', '901', '901', '888', '888'],
     'type': ['trip_pass', 'transfer', 'trip_pass', 'transfer', 'stored_value', 'transfer', 'trip_pass', 
              'trip_pass'],
     'routeName': ['1', '2', '2', '1', '20', '3', '4', '4'],
     'Date': ['2020-08-01 06:18:56 -04:00', '2020-08-01 06:46:12 -04:00', '2020-08-01 17:13:51 -04:00',
              '2020-08-01 17:47:32 -04:00', '2020-08-10 15:23:16 -04:00', '2020-08-10 15:44:45 -04:00',
              '2020-08-31 06:54:09 -04:00', '2020-08-31 16:23:41 -04:00']}
)
df['Date'] = pd.to_datetime(df['Date'])

我想做的是總結轉移活動。 從 Route 1 到 Route 2 或從 Route 2 到 Route 1 平均發生的換乘次數。數據集中有 11 條不同的路線可以在它們之間進行換乘。

我希望輸出看起來像（請注意，下面的輸出不是從上面提供的示例中生成的）：

From   |   To     |   Avg. Daily
----------------------------------
 1     |   2      |     45.7
 1     |   3      |     22.6
 20    |   1      |     12.2 

Answer 1

以下代碼適用於您提供的塊數據。 如果它在您的實際數據中不起作用，請告訴我。 可能有更好的方法來做到這一點，但我認為這是一個很好的起點。

這里的總體思路是按乘客分組來確定路線。 然后，由於您想要每日平均值，因此您需要按日期分組，然后按目的地分組以計算每日平均值。

# Define a function to get routes' relationship (origin vs destination)
def get_routes(x):
    if 'transfer' not in x.type.tolist(): # if no 'transfer' type in group, leave it as 0 (we'll remove them afterwards)
        return 0
    x = x[x.type == 'transfer'] # select target type
    date = df[df.cardNumber=='999'].Date.dt.strftime('%m/%d/%Y').unique()
    if date.size == 1: # if there is more than one date by passenger, you'll need to change this code
        date = date[0]
    else:
        raise Exception("There are more than one date per passenger, please adapt your code.")
    s_from = x.routeName[x.Date.idxmin()] # get route from the first date
    s_to = x.routeName[x.Date.idxmax()] # get route from the last date
    return date, s_from, s_to

# Define a function to get the routes' daily average
def get_daily_avg(date_group):
    daily_avg = (
        date_group.groupby(['From', 'To'], as_index=False) # group the day by routes
        .apply(lambda route: route.shape[0] / date_group.shape[0]) # divide the total of trips of that route by the total trips of that day
    )
    return daily_avg

# Get route's relationship
routes_series = df.groupby('cardNumber').apply(get_routes) # retrive routes per passenger
routes_series = routes_series[routes_series!=0] # remove groups without the target type

# Create a named dataframe from the series output
routes_df = pd.DataFrame(routes_series.tolist(), columns=['Date', 'From', 'To'])

# Create dataframe, perform filter and calculations
daily_routes_df = (
    routes_df.query('From != To') # remove routes with same destination as the origin
    .groupby('Date').apply(get_daily_avg) # calculate the mean per date
    .rename(columns={None: 'Avg. Daily'}) # set name to previous output
    .drop(['From','To'], axis = 1) # drop out redundant info since there's such info at the index
    .reset_index() # remove MultiIndex to get a tidy dataframe
)

# Visualize results
print(daily_routes_df)

輸出：

         Date From To  Avg. Daily
0  08/01/2020    2  1         1.0

在這里，平均值為 1，因為每組只有一個計數。 請注意，只有“傳輸”類型已被考慮在內。 沒有它或沒有改變路線的那些被進一步刪除。

Answer 2

如果我的問題是正確的，您希望從您的事件中獲取旅行的開始和結束，並且第一個事件與起點（路線名稱）相對應，然后計算您在數據集中擁有的門票數量相同的起點和終點。

如果是這樣，您可以按如下方式執行此操作

# srot the dataframe so you can use first/last
df_sorted= df.sort_values(['cardNumber', 'Date']).reset_index(drop=True)

# calculate the counts do the counts, but only
# from the defined types
indexer_trip_points= df_sorted['type'].isin(['transfer'])
df_from_to= df_sorted[indexer_trip_points].groupby('cardNumber').agg(
                  start_date=('Date', 'first'),
                  trip_start=('routeName', 'first'), 
                  trip_end=('routeName', 'last'),
)
                      
df_from_to['start_date']= df_from_to['start_date'].dt.date
df_counts= df_from_to.groupby(['trip_start', 'trip_end', 'start_date']).agg(
    count=('trip_start', 'count')
)
df_counts.reset_index(drop=False, inplace=True)
df_counts.groupby(['trip_start', 'trip_end']).agg(
    avg=('count', 'mean')
)

這導致：

                     avg
trip_start trip_end     
2          1           1
3          3           1

如您所見，最后一個條目的起始點與端點相同。 因此，您可能需要過濾掉您還沒有完整數據的行程。 例如，如果在您的情況下，一條路線永遠不會以與開始時相同的 routeName 結束，您可以通過比較兩列來簡單地過濾它們。