Question

我有很多用户/项目/时间戳数据。我想知道所有用户首先消耗了哪些项目，第二个等等。

我的问题是：如果我的数据框已经按时间排序（降序），那么它是否会默认通过groupby进程排序？并且，即使用户没有消耗两个项目，我怎样才能拉出任何用户消耗的前两个项目？

import pandas as pd
df = pd.DataFrame({'item_id': ['b', 'b', 'a', 'c', 'a', 'b'], 'user_id': [1,2,1,1,3,1], 'time': range(6)})

print df
pd.get_dummies(df['item_id'])

gp = df.groupby('user_id').head()
print gp

# Return item_id of first one installed in each case ??

这给出了：

  item_id  time  user_id
0       b     0        1
1       b     1        2
2       a     2        1
3       c     3        1
4       a     4        3
5       b     5        1

          item_id  time  user_id
user_id                         
1       0       b     0        1
        2       a     2        1
        3       c     3        1
        5       b     5        1
2       1       b     1        2
3       4       a     4        3

现在，我需要提取前两个item_id值，类似这样（但保留user_id列并不重要）：

user_id    order    item_id
      1        0          b
      1        1          a
      2        0          b
      3        0          a

Answer 1

这是一个黑客：

In [75]: def nth_order(x, n):
   ....:     xn = x[:n]
   ....:     return xn.join(Series(arange(len(xn)), name='order', index=xn.index))
   ....:

In [76]: df.groupby('user_id').apply(lambda x: nth_order(x, 2))
Out[76]:
          item_id  time  user_id  order
user_id
1       0       b     0        1      0
        2       a     2        1      1
2       1       b     1        2      0
3       4       a     4        3      0

请注意，您不能只使用n，因为您可能有一个len(group) < 2组，因此

len(x[:n]) != n

在每种情况下（根据您的问题）。

这是pandas中这种特殊切片的一个特性：如果切片在这里传递结尾，你将获得每一行（并且可能没有n行），而{{3} ，那不是真的。也就是说，如果您尝试切片超出数组的末尾，则会引发异常。

Answer 2

您可以直接使用获得最高n结果的head来执行此操作：

In [11]: g = df.groupby('user_id')

In [12]: g.head(2)
Out[12]:
          item_id  time  user_id
user_id
1       0       b     0        1
        2       a     2        1
2       1       b     1        2
3       4       a     4        3

从0.13 IIRC开始，这比任何基于应用的解决方案头更快（调用头曾经是.apply(lambda x: x.head())的一个突破。

该实现使用cumcount，因此在精神上与PhilipCloud的解决方案类似。

Pandas - 返回数据框中的第一项，按用户分组

2 个答案: