大熊猫的总数不同

假设我有一个用户活动日志，我想生成一个报告，其中包含每天的总持续时间和唯一用户的数量。

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]})

聚合持续时间非常简单:

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg
duration
date
2013-04-01        65
2013-04-02        45

我想做的是同时求持续时间和统计区别，但是我似乎找不到统计区别的等价物:

agg = group.aggregate({ 'duration': np.sum, 'user_id': count_distinct})

这个可以，但肯定有更好的办法，不是吗？

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

我认为我只需要提供一个函数，它将 Series 对象的不同项的计数返回给聚合函数，但是我没有太多可供使用的各种库。而且，groupby 对象似乎已经知道这些信息，所以我不会只是重复这些工作吗？

194899 次浏览
小开
最佳答案

这两个怎么样:

>>> 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
小开

因为熊猫0.20.0，所以.agg ()可以选择‘ nunique’，所以:

df.groupby('date').agg({'duration': 'sum', 'user_id': 'nunique'})
小开

仅仅添加已经给出的答案，使用字符串 "nunique"的解决方案似乎更快，在 ~ 21M 行数据框架上测试，然后分组到 ~ 2M

%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
小开

如果你只想得到一组不同的值，你可以直接使用方法 nunique和 DataFrameGroupBy对象:

df.groupby('date')['user_id'].nunique()

提交答案